Um novo algoritmo de computador, ou conjunto de regras, que prediz com precisão as a³rbitas dos planetas no sistema solar poderia ser adaptado para melhor prever e controlar o comportamento do plasma que alimenta as instalações de fusão projetadas para colher na Terra a energia de fusão que alimenta o sol e estrelas.

O algoritmo, desenvolvido por um cientista do Laborata³rio de Fa­sica de Plasma de Princeton (PPPL) do Departamento de Energia dos EUA (DOE), aplica o aprendizado de ma¡quina, a forma de inteligaªncia artificial (IA) que aprende com a experiência, para desenvolver as previsaµes. "Normalmente, na física, vocêfaz observações, cria uma teoria baseada nessas observações e, em seguida, usa essa teoria para prever novas observações", disse o fa­sico do PPPL Hong Qin, autor de um artigo que detalha o conceito em Relata³rios Cienta­ficos . "O que estou fazendo ésubstituir esse processo por um tipo de caixa preta que pode produzir previsaµes precisas sem usar uma teoria ou lei tradicional."

Qin (pronuncia-se Chin) criou um programa de computador no qual alimentou dados de observações anteriores das a³rbitas de Mercaºrio, Vaªnus, Terra, Marte, Jaºpiter e o planeta anão Ceres. Esse programa, junto com um programa adicional conhecido como 'algoritmo de servia§o', fazia previsaµes precisas das a³rbitas de outros planetas do sistema solar sem usar as leis de movimento e gravitação de Newton. “Essencialmente, ignorei todos os ingredientes fundamentais da física. Vou diretamente de dados em dados”, disse Qin. "Nãohánenhuma lei da física intermedia¡ria."

O programa não acontece por acaso em previsaµes precisas. "Hong ensinou ao programa o princa­pio ba¡sico usado pela natureza para determinar a dina¢mica de qualquer sistema fa­sico", disse Joshua Burby, fa­sico do Laborata³rio Nacional de Los Alamos do DOE que obteve seu doutorado. em Princeton sob a orientação de Qin. "A recompensa éque a rede aprende as leis do movimento planetario depois de testemunhar poucos exemplos de treinamento. Em outras palavras, seu ca³digo realmente 'aprende' as leis da física."

O aprendizado de ma¡quina éo que torna possa­veis programas de computador como o Google Translate. O Google Translate analisa uma vasta quantidade de informações para determinar a frequência com que uma palavra em um idioma foi traduzida para uma palavra em outro idioma. Desta forma, o programa pode fazer uma tradução precisa sem realmente aprender nenhum dos dois idiomas.

 

O processo também aparece em experimentos de pensamento filosãofico como a Sala Chinesa de John Searle. Nesse cena¡rio, uma pessoa que não conhecesse chinaªs poderia, no entanto, 'traduzir' uma frase chinesa para o inglês ou qualquer outro idioma, usando um conjunto de instruções ou regras que substituiriam a compreensão. O experimento mental levanta questões sobre o que, na raiz, significa entender alguma coisa, e se a compreensão implica que algo mais estãoacontecendo na mente além de seguir regras.

Qin foi inspirado em parte pelo experimento de pensamento filosãofico do fila³sofo de Oxford Nick Bostrom de que o universo éuma simulação de computador. Se isso fosse verdade, então as leis físicas fundamentais deveriam revelar que o universo consiste em pedaço s individuais de Espaço-tempo, como pixels em um videogame. "Se vivemos em uma simulação, nosso mundo precisa ser discreto", disse Qin. A técnica da caixa preta desenvolvida por Qin não exige que os fa­sicos acreditem literalmente na conjectura da simulação, embora ela se baseie nessa ideia para criar um programa que faz previsaµes físicas precisas.

A visão pixelizada resultante do mundo, semelhante ao que éretratado no filme Matrix, éconhecida como uma teoria de campo discreto, que vaª o universo como composto de bits individuais e difere das teorias que as pessoas normalmente criam. Enquanto os cientistas normalmente desenvolvem conceitos abrangentes de como o mundo fa­sico se comporta, os computadores apenas montam uma coleção de pontos de dados.

Qin e Eric Palmerduca, um estudante graduado do Programa da Universidade de Princeton em Fa­sica de Plasmas, estãoagora desenvolvendo maneiras de usar teorias de campo discretas para prever o comportamento departículas de plasma em experimentos de fusão conduzidos por cientistas ao redor do mundo. As instalações de fusão mais amplamente utilizadas são tokamaks em forma de donut que confinam o plasma em campos magnanãticos poderosos.

A fusão, o poder que move o sol e as estrelas, combina elementos leves na forma de plasma - o estado quente e carregado da matéria composto de elanãtrons livres e núcleos ata´micos que representa 99% do universo visível - para gerar grandes quantidades de energia. Os cientistas estãotentando replicar a fusão na Terra para um fornecimento virtualmente inesgota¡vel de energia para gerar eletricidade.

"Em um dispositivo de fusão magnanãtica, a dina¢mica dos plasmas écomplexa e multi-escala, e as leis governantes eficazes ou modelos computacionais para um processo fa­sico particular que estamos interessados ​​nem sempre são claros", disse Qin. "Nesses cenários, podemos aplicar a técnica de aprendizado de ma¡quina que desenvolvi para criar uma teoria de campo discreta e, em seguida, aplicar essa teoria de campo discreta para compreender e prever novas observações experimentais."

Esse processo levanta questões sobre a própria natureza da ciência Os cientistas não querem desenvolver teorias da física que expliquem o mundo, em vez de simplesmente acumular dados? As teorias não são fundamentais para a física e necessa¡rias para explicar e compreender os fena´menos?

"Eu diria que o objetivo final de qualquer cientista éa previsão", disse Qin. "Vocaª pode não precisar necessariamente de uma lei. Por exemplo, se posso prever perfeitamente uma a³rbita planeta¡ria, não preciso conhecer as leis de gravitação e movimento de Newton. Vocaª poderia argumentar que, ao fazer isso, entenderia menos do que se soubesse Leis de Newton. Em certo sentido, isso estãocorreto. Mas de um ponto de vista prático, fazer previsaµes precisas não éfazer nada menos. "

O aprendizado de ma¡quina também pode abrir possibilidades para mais pesquisas. "Isso amplia significativamente o escopo de problemas que vocêpode enfrentar porque tudo que vocêprecisa para comea§ar são os dados", disse Palmerduca.

A técnica também pode levar ao desenvolvimento de uma teoria física tradicional. "Embora em certo sentido esse manãtodo exclua a necessidade de tal teoria, ele também pode ser visto como um caminho em direção a ela", disse Palmerduca. "Quando vocêestãotentando deduzir uma teoria, gostaria de ter o ma¡ximo possí­vel de dados a  sua disposição. Se vocêreceber alguns dados, podera¡ usar o aprendizado de ma¡quina para preencher as lacunas desses dados ou expandir o conjunto de dados. "