Generative AI for Validating Physics Laws

Nel vasto panorama della scienza moderna, i ricercatori si trovano spesso di fronte a una domanda apparentemente semplice da porre ma incredibilmente difficile da rispondere: come cambia un'azione specifica l'esito per persone o cose diverse? Questo è il cuore dell'inferenza causale, un campo dedicato alla comprensione di causa ed effetto. Immaginate un medico che cerca di determinare se un nuovo medicinale funzioni meglio per i pazienti giovani rispetto a quelli anziani, o un economista che si chiede se un taglio delle tasse stimoli l'economia più nelle città che nelle zone rurali. La sfida è che, nel mondo reale, raramente possiamo condurre esperimenti perfetti dove tutto è identico tranne l'unica cosa che stiamo testando. Invece, dobbiamo analizzare dati osservazionali disordinati dove molti fattori cambiano contemporaneamente. Per dare un senso a tutto ciò, gli scienziati hanno sviluppato strumenti sofisticati per stimare quello che viene chiamato "effetti eterogenei del trattamento". Questa frase significa semplicemente misurare come una causa, come un farmaco o una politica, produca risultati diversi per diversi individui in base alle loro caratteristiche uniche. Per decenni, l'obiettivo è stato trovare l'effetto medio, ma gli approfondimenti più interessanti risiedono spesso nei dettagli di come quell'effetto vari attraverso una popolazione.

Un team di ricercatori ha proposto un nuovo metodo per affrontare questo problema, uno che va oltre la semplice ricerca di una media per mappare l'intero panorama dei possibili risultati. Definiscono il loro approccio un "apprendista generativo" (generative learner), un tipo di intelligenza artificiale progettata per apprendere le regole nascoste che governano la creazione dei dati. A differenza dei metodi più vecchi che potrebbero avere difficoltà quando i dati sono complessi o quando ci sono solo pochi esempi da studiare, questo nuovo sistema è costruito per gestire l'intera distribuzione degli effetti. Non si limita a dirci che un trattamento funziona; rivela come la forza di quel trattamento cambi a seconda dei tratti specifici del soggetto, come la sua dimensione, l'età o il background. Addestrando una rete neurale — un sistema informatico modellato sul cervello umano — per apprendere questi schemi direttamente dai dati, i ricercatori hanno creato uno strumento che è al contempo flessibile e preciso.

I ricercatori hanno testato il loro nuovo sistema contro diversi metodi consolidati che sono attualmente considerati lo standard di riferimento nel campo. Hanno eseguito centinaia di simulazioni al computer in cui conoscevano già la verità esatta in precedenza, permettendo loro di vedere quanto bene ogni metodo riuscisse a recuperare la risposta corretta. In questi test, il nuovo apprendista generativo ha costantemente superato i suoi rivali. Quando i dati coinvolgevano relazioni semplici e lineari, il nuovo metodo era già più accurato, ma la differenza diventava drammatica quando le relazioni erano complesse e curve. In questi scenari difficili, il nuovo sistema ha ridotto i suoi errori di oltre il settanta per cento rispetto ad alcune delle migliori tecniche esistenti. Questo vantaggio era particolarmente evidente quando la quantità di dati era ridotta, una situazione in cui altri metodi spesso inciampano. I ricercatori hanno scoperto che il loro approccio era particolarmente bravo a catturare l'intera forma dei risultati, non solo il punto centrale, permettendo loro di vedere i casi rari ed estremi che altri modelli potrebbero perdere.

Per dimostrare che questo metodo funziona nel mondo reale, il team lo ha applicato a un classico problema dell'astrofisica: la legge di Stefan–Boltzmann. Questa legge fisica descrive come la luminosità di una stella sia determinata dalla sua temperatura. Nello specifico, la legge afferma che l'energia totale irradiata da una stella è proporzionale alla quarta potenza della sua temperatura, il che significa che anche un piccolo aumento di calore porta a un massiccio aumento della luminosità. I ricercatori hanno trattato la temperatura superficiale di una stella come il "trattamento" e la sua luminosità come l' "esito". Utilizzando i dati della missione Gaia, che ha mappato oltre un miliardo di stelle, si sono concentrati su un gruppo specifico di stelle per vedere se il loro nuovo metodo potesse recuperare questa famosa relazione fisica partendo solo da dati osservativi.

I risultati sono stati sorprendenti. L'apprendista generativo ha identificato con successo la relazione non lineare attesa, confermando che man mano che una stella diventa più calda, la sua luminosità aumenta a un ritmo accelerato. Ma il metodo è andato oltre la semplice conferma della legge; ha rivelato come questo effetto cambi in base alla dimensione della stella e alla sua luminosità intrinseca. L'analisi ha mostato che l'impatto della temperatura sulla luminosità cresce man mano che il raggio della stella aumenta, un reperto che si allinea perfettamente con la previsione teorica secondo cui la luminosità dipende dal quadrato del raggio. Inoltre, il metodo ha mostrato che la relazione si comporta diversamente per stelle di diverse magnitudini assolute, indicando che le stelle intrinsecamente più luminose sono più sensibili ai cambiamenti di temperatura rispetto a quelle più deboli. Applicando questo nuovo strumento a dati stellari reali, i ricercatori hanno dimostrato che il loro approccio può non solo validare leggi fisiche note, ma anche scoprire i modi sfumati in cui tali leggi si manifestano attraverso una popolazione diversificata di oggetti.

Il successo di questo lavoro suggerisce che il modo in cui il nuovo sistema è costruito gli conferisce un vantaggio distintivo. I ricercatori hanno progettato la rete neurale per scomporre il problema in tre parti connesse: una parte apprende l'esito di base, un'altra apprende la probabilità che il trattamento avvenga e la terza apprende l'effetto specifico del trattamento. Fondamentalmente, queste parti sono addestrate insieme, permettendo loro di condividere informazioni e perfezionare le reciproche previsioni. Il sistema utilizza anche una tecnica matematica che osserva l'intero intervallo di possibili risultati, dal più basso al più alto, piuttosto che concentrarsi solo sulla media. Ciò consente di catturare l'intera storia di come una causa influenzi una popolazione, inclusi gli outlier e gli estremi. Sebbene il metodo sia stato testato su simulazioni e su un set specifico di dati stellari, i ricercatori credono che la sua capacità di gestire dati complessi e ad alta dimensionalità lo renda uno strumento potente per molti altri campi, dalla medicina personalizzata alla politica economica, dove comprendere l'impatto unico di un intervento su diversi individui è essenziale.