Nella danza vasta e caotica dell'universo, dal plasma vorticoso all'interno di un reattore a fusione al movimento frenetico delle particelle in una cellula affollata, esiste una lotta costante tra ordine e caos. Gli scienziati sanno da tempo come descrivere il comportamento medio di questi sistemi: se si attende abbastanza a lungo, una nuvola di particelle si diffonderà in modo prevedibile, proprio come una goccia d'inchiostro che si disperde in un bicchiere d'acqua. Questa diffusione è governata da una regola semplice su quanto lontano le particelle viaggino in media nel tempo. Tuttavia, il mondo reale è raramente così semplice. Le particelle non si limitano a diffondersi; a volte si raggruppano, a volte scattano in avanti e spesso formano strane code pesanti nelle loro distribuzioni che sfidano la semplice previsione. Comprendere queste forme complesse è fondamentale per tutto, dalla progettazione di reattori a fusione nucleare più sicuri al tracciamento dei raggi cosmici, eppure catturare il dettaglio completo e disordinato di queste distribuzioni è rimasto una sfida ostinata per i fisici.

Un nuovo approccio, sviluppato da un team di ricercatori dell'Università di Oxford e dell'Università di Princeton, offre un modo fresco per affrontare questo problema prendendo in prestito uno strumento dall'intelligenza artificiale. Per anni, i sistemi di IA sono stati addestrati per generare immagini realistiche imparando a invertire un processo di aggiunta di rumore. Immaginate di prendere una fotografia nitida e di sfocarla gradualmente finché non diventa solo staticità; un computer intelligente può imparare a invertire questo processo, trasformando la staticità in un'immagine nitida. I ricercatori si sono resi conto che questa stessa meccanica matematica poteva essere utilizzata per modellare sistemi fisici in cui le particelle si diffondono sotto forze casuali. Ma c'era un intoppo: nella generazione di immagini, il "tempo" necessario per sfocare un'immagine è arbitrario, scelto dal programmatore per far funzionare al meglio l'IA. In fisica, il tempo è reale, e il tasso con cui le particelle si diffondono è una legge fondamentale della natura che non può essere simulata.

La svolta del team è stata quella di costringere l'IA a rispettare l'orologio fisico. Inve invece di lasciare che il computer decida quanto velocemente aggiungere rumore, hanno programmato il sistema per seguire una legge specifica e nota di come la diffusione media delle particelle debba crescere nel tempo. Hanno preso la fisica stabilita di come le particelle si muovono — che sia rimbalzando attraverso un campo magnetico turbolento o scivolando attraverso una roccia porosa — e hanno usato esattamente quel tasso di crescita per controllare il timer interno dell'IA. Questo ha significato che l'IA non doveva più indovinare quanto velocemente il sistema stesse evolvendo; doveva solo imparare la forma della distribuzione, il modo specifico in cui le particelle si raggruppavano o si allungavano mentre si muovevano. Ancorando l'IA a questa realtà fisica, i ricercatori hanno creato un modello "surrogato" che funge da sostituto altamente accurato per le complesse simulazioni fisiche.

Per testare questa idea, il team si è concentrato su uno scenario rilevante per l'energia del futuro: il movimento di particelle cariche attraverso campi magnetici turbolenti, come quelli che si trovano negli esperimenti di fusione o nello spazio intorno al sole. In questi ambienti, le particelle non si muovono in linea retta; vengono continuamente colpite da fluttuazioni magnetiche. I ricercatori hanno utilizzato dati da esperimenti di laboratorio in cui un fascio di protoni veniva sparato attraverso un campo magnetico turbolento per creare un'istantanea della turbolenza. Hanno poi addestrato il loro modello di IA utilizzando solo le condizioni iniziali delle particelle e la legge fisica nota di come il fascio dovrebbe diffondersi. Fondamentalmente, non hanno fornito all'IA alcun dato relativo alla parte centrale del viaggio; il modello doveva imparare l'intero percorso da inizio a fine basandosi esclusivamente sull'inizio e sulle regole di diffusione.

I risultati sono stati sorprendenti. Quando i ricercatori hanno chiesto all'IA di generare la distribuzione delle particelle in un momento specifico, il modello ha riprodotto l'esatta diffusione misurata in laboratorio. Ha catturato non solo la distanza media percorsa dalle particelle, ma anche le sottili forme non standard della distribuzione, incluse le code pesanti dove persistono particelle rare ad alta energia. Il modello ha tracciato con successo come la "picchezza" della distribuzione cambiasse mentre le particelle passavano da una fase balistica veloce a una fase diffusiva più lenta. Ciò è stato ottenuto senza che l'IA vedesse mai i passaggi intermedi del processo fisico, dimostrando che il modello aveva appreso la fisica sottostante piuttosto che limitarsi a memorizzare punti dati.

Lo studio ha anche rivelato cosa accade quando le leggi fisiche vengono ignorate. Quando i ricercatori hanno eseguito lo stesso modello di IA ma hanno permesso all'IA di utilizzare uno schema standard e arbitrario per l'aggiunta di rumore — come quelli usati per generare immagini di gatti o paesaggi — il modello non riusciva ad allinearsi con il tempo fisico. Poteva produrre un'immagine sfocata che appariva piacevole, ma non rappresentava lo stato fisico corretto al momento corretto. Il team ha dimostrato che, aderendo strettamente alla legge della varianza fisica, il modello poteva fungere da strumento differenziabile, il che significa che gli scienziati potevano usarlo per lavorare a ritroso da una lettura di un rilevatore per inferire le condizioni alla sorgente. Ciò apre la porta all'uso di questi modelli per l'inferenza in tempo reale in esperimenti complessi dove le simulazioni tradizionali sono troppo lente o i dati sono scarsi.

Uno degli aspetti più significativi di questo lavoro è la sua efficienza. I metodi tradizionali per comprendere questi sistemi richiedono spesso enormi quantità di dati raccolti in ogni fase del viaggio, oppure si affidano alla risoluzione di equazioni complesse che sono computazionalmente costose. Questo nuovo metodo richiede solo la distribuzione iniziale e la legge nota di diffusione. Esso separa efficacemente il problema in due parti: la scala della diffusione, gestita dalla fisica nota, e la forma della distribuzione, appresa dall'IA. Ciò consente al modello di catturare le caratteristiche complesse e non gaussiane del sistema — quelle code pesanti e quei picchi acuti che i modelli standard perdono — pur rimanendo perfettamente calibrato sulla linea temporale fisica.

I ricercatori hanno validato le loro scoperte confrontando il loro surrogato di IA con dettagliate simulazioni al computer di particelle di prova che si muovono attraverso un campo magnetico generato da un supercomputer. Il modello di IA ha corrisposto alla varianza simulata e all'evoluzione della forma della distribuzione con alta precisione. Nel caso specifico del plasma turbolento, il modello ha predetto correttamente come le particelle si sarebbero diffuse su una distanza di diverse centinaia di micrometri, una scala rilevante per gli esperimenti di laboratorio. Il team ha osservato che, sebbene il modello sia un surrogato gaussiano nelle sue meccaniche centrali, riesce ad ereditare con successo le caratteristiche non gaussiane dai dati di ingresso, permettendogli di rappresentare le code pesanti osservate nei reali sistemi turbolenti.

Questo approccio rappresenta un cambiamento nel modo in cui gli scienziati potrebbero costruire i "gemelli digitali" dei sistemi fisici. Invece di cercare di simulare ogni singola collisione o interazione, il che è spesso impossibile, il nuovo metodo utilizza le leggi macroscopiche note per guidare un modello generativo che riempie i dettagli microscopici. Il lavoro suggerisce che per qualsiasi sistema in cui il tasso di diffusione sia noto, un modello generativo può essere calibrato per agire come un emulatore preciso e risolto nel tempo. Ciò potrebbe essere particolarmente prezioso in campi come l'astrofisica, dove l'osservazione diretta è limitata, o nella scienza dei materiali, dove la comprensione del trasporto di particelle attraverso mezzi complessi è essenziale.

Lo studio non pretende di risolvere ogni problema nel trasporto stocastico. I ricercatori riconoscono che il loro modello è un surrogato, un'approssimazione statistica che funziona meglio quando il kernel fisico sottostante è vicino a una distribuzione gaussiana o quando le caratteristiche non gaussiane possono essere ricondotte alle condizioni di ingresso. Hanno esplicitamente escluso l'idea che il modello potesse replicare perfettamente ogni singolo dettaglio microscopico di un processo di trasporto a velocità finita, come il supporto limitato specifico del percorso di una particella in un modello di tipo telegraph. Tuttavia, quantificando il divario tra il loro modello e il vero kernel fisico, hanno dimostrato che l'errore è prevedibile e gestibile.

In definitiva, l'articolo presenta un metodo che colma il divario tra le rigide leggi della fisica e il potere flessibile del moderno apprendimento automatico. Legando l'orologio interno dell'IA alla realtà fisica di come le particelle si diffondono, i ricercatori hanno creato uno strumento che è al contempo computazionalmente efficiente e fisicamente fedele. Permette agli scienziati di generare previsioni accurate di complessi fenomeni di trasporto utilizzando una quantità minima di dati, trasformando un problema un tempo intrattabile in uno gestibile. Il lavoro si pone come una dimostrazione del fatto che, quando l'intelligenza artificiale è radicata nelle leggi fondamentali della natura, può diventare un potente partner nell'esplorazione della dinamica nascosta del mondo fisico.