AI reveals unexpected new physics in dusty plasma

Les physiciens ont utilisé une méthode d’apprentissage automatique pour identifier les nouveaux rebondissements surprenants sur les forces non réciproques régissant un système à plusieurs corps.

Le journal Actes de l’Académie nationale des sciences a publié les résultats par des physiciens expérimentaux et théoriques de l’Université Emory, sur la base d’un modèle de réseau neuronal et des données d’expériences de laboratoire sur le plasma poussiéreux – du gaz ionisé contenant des particules de poussière en suspension.

Le travail est l’un des relativement rares cas d’utilisation de l’IA non pas comme traitement des données ou outil prédictif, mais pour découvrir de nouvelles lois physiques régissant le monde naturel.

“Nous avons montré que nous pouvons utiliser l’IA pour découvrir une nouvelle physique”, explique Justin Burton, professeur d’Emory en physique expérimentale et co-auteur principal du journal. “Notre méthode d’IA n’est pas une boîte noire: nous comprenons comment et pourquoi il fonctionne. Le cadre qu’il fournit est également universel. Il pourrait potentiellement être appliqué à d’autres systèmes à plusieurs corps pour ouvrir de nouveaux itinéraires à la découverte.”

Le PNA Le papier fournit la description la plus détaillée à ce jour pour la physique d’un plasma poussiéreuse, produisant des approximations précises pour les forces non réciproques.

“Nous pouvons décrire ces forces avec une précision de plus de 99%”, explique Ilya Nemenman, professeur d’Emory en physique théorique et co-auteur de l’article.

“Ce qui est encore plus intéressant, c’est que nous montrons que certaines hypothèses théoriques courantes sur ces forces ne sont pas tout à fait exactes. Nous sommes en mesure de corriger ces inexactitudes parce que nous pouvons maintenant voir ce qui se passe dans des détails aussi exquis.”

Les chercheurs espèrent que leur approche d’IA servira de point de départ pour déduire les lois de la dynamique d’un large éventail de systèmes à plusieurs corps, qui sont composés d’un grand nombre de particules en interaction. Les exemples vont des colloïdes – tels que la peinture, l’encre et d’autres matériaux industriels – à des grappes de cellules dans les organismes vivants.

Le premier auteur du journal est Wentao Yu qui a travaillé sur le projet en tant que doctorat Emory. Étudiant et est maintenant boursier postdoctoral au California Institute of Technology. Le co-auteur est Eslam Abdeleleem, qui faisait également partie du projet en tant qu’étudiant diplômé d’Emory et est maintenant boursier postdoctoral chez Georgia Tech.

“Ce projet est un excellent exemple de collaboration interdisciplinaire où le développement de nouvelles connaissances en physique du plasma et en IA peut conduire à de nouvelles progrès dans l’étude des systèmes vivants”, explique Vyacheslav (Slava) Lukin, directeur de programme pour le programme de physique plasma NSF. “La dynamique de ces systèmes complexes est dominée par des interactions collectives que les techniques d’IA émergentes peuvent nous aider à mieux décrire, reconnaître, comprendre et même contrôler.”

Les plasmas sont des gaz ionisés, ce qui signifie que des particules chargées d’électrons et d’ions se déplacent librement, créant des propriétés uniques comme la conductivité électrique. Connu sous le nom de quatrième état de la matière, le plasma représente environ 99,9% de l’univers visible, des vents solaires qui coulent de la couronne du soleil aux éclairs qui frappent la Terre.

Le plasma poussiéreux, qui ajoute des particules chargées de poussière au mélange d’ions et d’électrons, est également courante dans l’espace et les environnements planétaires – des anneaux de Saturne à l’ionosphère de la Terre.

Les particules chargées lévitant au-dessus de la surface de la lune, en raison d’une faible gravité, sont un exemple de plasma poussiéreux. “C’est pourquoi lorsque les astronautes marchent sur la lune, leurs costumes sont couverts de poussière”, explique Burton.

Un exemple de plasma poussiéreux sur Terre peut se produire pendant les incendies de forêt lorsque la suie se mélange à la fumée. Les particules de suie chargées peuvent interférer avec les signaux radio, affectant les communications entre les pompiers.

Burton étudie la physique des plasmas poussiéreux et des matériaux amorphes. Son laboratoire effectue des expériences sur de minuscules particules en plastique en suspension dans une chambre à vide remplie de plasma comme modèle pour des systèmes plus complexes. En modifiant la pression de gaz à l’intérieur de la chambre, les membres du laboratoire peuvent imiter les propriétés des phénomènes réels et étudier comment un système change lorsqu’il est entraîné par les forces.

Pour le projet actuel, Burton et Yu ont développé une technique d’imagerie tomographique pour suivre le mouvement de particules en trois dimensions (3D) dans un plasma poussiéreux. Un laser étalé dans une feuille de lumière se déplace de haut en bas dans la chambre à vide alors qu’une caméra à grande vitesse capture des images. Les instantanés des particules dans le plan de la lumière sont ensuite assemblés en pile, révélant l’emplacement 3D des particules individuelles sur des échelles de longueur de centimètre pendant plusieurs minutes.

Biophysicien théorique, Nemenman recherche des lois qui sous-tendent les systèmes dynamiques naturels, en particulier les systèmes biologiques complexes. Il est intéressé par le phénomène du mouvement collectif, comme la façon dont les cellules humaines se déplacent autour du corps.

“Les questions générales sur la façon dont un système entier découle des interactions de parties minuscules est très importante”, explique Nemenman. “Dans le cancer, par exemple, vous voulez comprendre comment l’interaction des cellules peut être liée à certains d’entre eux se détachant d’une tumeur et se déplaçant dans un nouvel endroit, devenant métastatique.”

Alors que Nemenman collabore souvent avec des chercheurs des sciences de la vie, le projet avec le laboratoire de Burton a offert une chance de se plonger dans un système un peu plus simple que vivant. Cela a présenté une chance idéale d’essayer d’utiliser l’IA pour étudier la dynamique du mouvement collectif pour apprendre la nouvelle physique.

“Pour toutes les discussions sur la façon dont l’IA révolutionne la science, il y a très peu d’exemples où quelque chose de fondamentalement nouveau a été trouvé directement par un système d’IA”, explique Nemenman.

L’un des exemples les plus célèbres de l’IA, Chatgpt, s’entraîne sur la grande quantité d’informations disponibles sur Internet afin de prédire le texte approprié en réponse à une invite.

“Lorsque vous sondez quelque chose de nouveau, vous n’avez pas beaucoup de données pour former l’IA”, explique Nemenman. “Cela signifiait que nous devions concevoir un réseau neuronal qui pourrait être formé avec une petite quantité de données et apprendre encore quelque chose de nouveau.”

Burton, Nemenman, Yu et Abdeleleem se sont rencontrés chaque semaine dans une salle de conférence pour discuter du problème.

“Nous devions structurer le réseau pour suivre les règles nécessaires tout en lui permettant d’explorer et de déduire la physique inconnue”, explique Burton.

“Il nous a fallu plus d’un an de discussions dans ces réunions hebdomadaires”, ajoute Nemenman. “Une fois que nous avons trouvé la bonne structure du réseau pour s’entraîner, il s’est avéré être assez simple.”

Les physiciens ont distillé les contraintes du réseau neuronal pour modéliser trois contributions indépendantes au mouvement des particules: l’effet de la vitesse ou la force de traînée; les forces environnementales, comme la gravité; et les forces de particules à particules.

Formé sur des trajectoires de particules 3D, le modèle d’IA a pris en compte les symétries inhérentes, les particules non identiques et a appris les forces non réciproques efficaces entre les particules avec une précision exquise.

Pour expliquer ces forces non cerveuses, les chercheurs utilisent l’analogie de deux bateaux se déplaçant à travers un lac, créant des vagues. Le modèle de sillage de chaque bateau affecte le mouvement de l’autre bateau. Le sillage d’un bateau peut repousser ou attirer l’autre bateau en fonction de leurs positions relatives – par exemple, que les bateaux se déplacent côte à côte ou l’un derrière l’autre.

“Dans un plasma poussiéreux, nous avons décrit comment une particule principale attire la particule de fuite, mais la particule de fuite repousse toujours la principale”, explique Nemenman. “Ce phénomène était attendu par certains, mais maintenant nous avons une approximation précise pour cela qui n’existait pas auparavant.”

Leurs résultats corrigent également certaines mauvaises hypothèses sur le plasma poussiéreux.

Par exemple, une théorie de longue date soutenait que plus le rayon d’une particule de poussière est grand, plus la charge qui collait à cette particule est grande, en proportion exacte du rayon de la particule. “Nous avons montré que cette théorie n’est pas tout à fait correcte”, explique Nemenman. “S’il est vrai que plus la particule est grande, plus la charge est grande, cette augmentation n’est pas nécessairement proportionnelle au rayon. Cela dépend de la densité et de la température du plasma.”

Une autre théorie a soutenu que les forces entre deux particules tombent de façon exponentielle en relation directe à la distance entre deux particules et que le facteur par lequel il tombe ne dépend pas de la taille de la particule. La nouvelle méthode d’IA a montré que la baisse de force dépend de la taille des particules.

Les chercheurs ont vérifié leurs résultats par le biais d’expériences.

Leur réseau neuronal basé sur la physique fonctionne sur un ordinateur de bureau et propose un cadre théorique universel pour démêler les mystères sur d’autres systèmes complexes et à plusieurs corps.

Nemenman, par exemple, attend avec impatience un prochain professeur invité à la Konstanz School of Collective Behavior en Allemagne. L’école rassemble des approches interdisciplinaires pour étudier le domaine naissant du comportement collectif, tout, des oiseaux afflux aux écoles de poisson et de foules humaines.

“J’enseignerai aux étudiants du monde entier comment utiliser l’IA pour déduire la physique du mouvement collectif – pas dans un plasma poussiéreux mais dans un système de vie”, dit-il.

Bien que leur cadre d’IA ait la capacité de déduire une nouvelle physique, des physiciens humains experts sont nécessaires pour concevoir la bonne structure pour le réseau neuronal et pour interpréter et valider les données résultantes.

“Il faut une pensée critique pour développer et utiliser des outils d’IA de manière à faire de réelles progrès dans la science, la technologie et les sciences humaines”, explique Burton.

Il se sent optimiste quant au potentiel de l’IA au profit de la société.

“Je pense à cela comme la devise Star Trek, pour aller hardiment là où personne ne l’a auparavant”, explique Burton. “Utilisé correctement, l’IA peut ouvrir des portes à des domaines entiers pour explorer.”