Un nuevo algoritmo informático, o un conjunto de reglas, que predice con precisión las órbitas de los planetas en el sistema solar podría adaptarse para predecir y controlar mejor el comportamiento del plasma que alimenta las instalaciones de fusión diseñadas para cosechar en la Tierra la energía de fusión que alimenta al sol. y estrellas.
El algoritmo, ideado por un científico del Laboratorio de Física del Plasma de Princeton (PPPL) del Departamento de Energía de EE. UU. (DOE), aplica el aprendizaje automático, la forma de inteligencia artificial (IA) que aprende de la experiencia, para desarrollar las predicciones. «Por lo general, en física, haces observaciones, creas una teoría basada en esas observaciones y luego usas esa teoría para predecir nuevas observaciones», dijo el físico de PPPL Hong Qin, autor de un artículo que detalla el concepto en Informes científicos. «Lo que estoy haciendo es reemplazar este proceso con un tipo de caja negra que puede producir predicciones precisas sin usar una teoría o ley tradicional».
Qin (pronunciado Chin) creó un programa informático en el que introdujo datos de observaciones pasadas de las órbitas de Mercurio, Venus, la Tierra, Marte, Júpiter y el planeta enano Ceres. Este programa, junto con un programa adicional conocido como «algoritmo de servicio», hizo predicciones precisas de las órbitas de otros planetas en el sistema solar sin utilizar las leyes de movimiento y gravitación de Newton. «Esencialmente, pasé por alto todos los ingredientes fundamentales de la física. Paso directamente de los datos a los datos», dijo Qin. «No hay una ley de la física en el medio».
El programa no se basa en predicciones precisas por accidente. «Hong enseñó al programa el principio subyacente utilizado por la naturaleza para determinar la dinámica de cualquier sistema físico», dijo Joshua Burby, físico del Laboratorio Nacional de Los Alamos del DOE que obtuvo su Ph.D. en Princeton bajo la tutoría de Qin. «La recompensa es que la red aprende las leyes del movimiento planetario después de presenciar muy pocos ejemplos de entrenamiento. En otras palabras, su código realmente ‘aprende’ las leyes de la física».
El aprendizaje automático es lo que hace posible programas de computadora como Google Translate. Google Translate analiza una gran cantidad de información para determinar la frecuencia con la que una palabra en un idioma se ha traducido a una palabra en el otro idioma. De esta manera, el programa puede realizar una traducción precisa sin tener que aprender ninguno de los idiomas.
El proceso también aparece en experimentos de pensamiento filosófico como el Chinese Room de John Searle. En ese escenario, una persona que no supiera chino podría, no obstante, «traducir» una oración en chino al inglés oa cualquier otro idioma mediante el uso de un conjunto de instrucciones o reglas que sustituirían la comprensión. El experimento mental plantea preguntas sobre lo que, en el fondo, significa comprender algo en absoluto, y si comprender implica que algo más está sucediendo en la mente además de seguir reglas.
Qin se inspiró en parte en el experimento de pensamiento filosófico del filósofo de Oxford Nick Bostrom de que el universo es una simulación por computadora. Si eso fuera cierto, entonces las leyes físicas fundamentales deberían revelar que el universo consiste en fragmentos individuales de espacio-tiempo, como píxeles en un videojuego. «Si vivimos en una simulación, nuestro mundo tiene que ser discreto», dijo Qin. La técnica de caja negra que ideó Qin no requiere que los físicos crean literalmente la conjetura de la simulación, aunque se basa en esta idea para crear un programa que hace predicciones físicas precisas.
La visión pixelada del mundo resultante, similar a lo que se retrata en la película The Matrix, se conoce como una teoría de campo discreto, que ve el universo como compuesto de bits individuales y difiere de las teorías que la gente crea normalmente. Mientras que los científicos suelen idear conceptos generales sobre cómo se comporta el mundo físico, las computadoras simplemente ensamblan una colección de puntos de datos.
Qin y Eric Palmerduca, un estudiante de posgrado en el Programa de Física del Plasma de la Universidad de Princeton, ahora están desarrollando formas de usar teorías de campos discretos para predecir el comportamiento de partículas de plasma en experimentos de fusión realizados por científicos de todo el mundo. Las instalaciones de fusión más utilizadas son los tokamaks en forma de rosquilla que confinan el plasma en poderosos campos magnéticos.
La fusión, el poder que impulsa al sol y las estrellas, combina elementos de luz en forma de plasma, el estado caliente y cargado de la materia compuesta de electrones libres y núcleos atómicos que representa el 99% del universo visible, para generar cantidades masivas energía. Los científicos buscan replicar la fusión en la Tierra para obtener un suministro de energía prácticamente inagotable para generar electricidad.
«En un dispositivo de fusión magnética, la dinámica de los plasmas es compleja y de múltiples escalas, y las leyes de gobierno o modelos computacionales efectivos para un proceso físico particular que nos interesa no siempre son claras», dijo Qin. «En estos escenarios, podemos aplicar la técnica de aprendizaje automático que desarrollé para crear una teoría de campo discreto y luego aplicar esta teoría de campo discreto para comprender y predecir nuevas observaciones experimentales».
Este proceso abre interrogantes sobre la naturaleza de la ciencia misma. ¿No quieren los científicos desarrollar teorías físicas que expliquen el mundo, en lugar de simplemente acumular datos? ¿No son las teorías fundamentales para la física y necesarias para explicar y comprender los fenómenos?
«Yo diría que el objetivo final de cualquier científico es la predicción», dijo Qin. «Puede que no necesite necesariamente una ley. Por ejemplo, si puedo predecir perfectamente una órbita planetaria, no necesito conocer las leyes de Newton de la gravitación y el movimiento. Podría argumentar que al hacerlo comprendería menos que si supiera Las leyes de Newton. En cierto sentido, eso es correcto. Pero desde un punto de vista práctico, hacer predicciones precisas no es menos «.
El aprendizaje automático también podría abrir posibilidades para más investigación. «Amplía significativamente el alcance de los problemas que puede abordar porque todo lo que necesita para comenzar son datos», dijo Palmerduca.
La técnica también podría conducir al desarrollo de una teoría física tradicional. «Si bien en cierto sentido este método excluye la necesidad de tal teoría, también puede verse como un camino hacia una», dijo Palmerduca. «Cuando intentas deducir una teoría, te gustaría tener tantos datos a tu disposición como sea posible. Si te dan algunos datos, puedes usar el aprendizaje automático para llenar los vacíos en esos datos o expandir el conjunto de datos «.
El apoyo para esta investigación provino de la Oficina de Ciencias del DOE (Fusion Energy Sciences).