Immagina di essere un detective che cerca di risolvere un mistero, ma hai a disposizione solo le impronte lasciate indietro, non le scarpe che le hanno create. Nel mondo della fisica e dell'ingegneria, gli scienziati hanno spesso montagne di dati: istantanee di come le cose si muovono, fluiscono o cambiano nel tempo, come la scia vorticosa dietro una barca o il modo in cui il calore si diffonde attraverso una barra metallica. Queste sono chiamate "traiettorie". Di solito, per prevedere cosa accadrà dopo, gli scienziati devono conoscere le esatte "regole del gioco" per ogni specifica situazione: la viscosità di un fluido, la forma di un oggetto o la temperatura. È come dover conoscere l'esatto peso di una scarpa per prevedere quanto sarà profonda un'impronta. Ma nel mondo reale, spesso non abbiamo quelle etichette. Abbiamo solo le disordinate impronte. Questo articolo affronta la sfida di apprendere le regole del gioco e i dettagli specifici della scarpa, tutto in una volta, guardando semplicemente le impronte.

Gli autori, un team proveniente dal MIT e dall'Università di Zhejiang, hanno sviluppato un nuovo metodo chiamato "Neural Operator Discovery" (NOD). Pensatelo come un detective IA super intelligente che non si limita a memorizzare le impronte, ma impara a comprendere lo stile del camminatore. Hanno scoperto che costringendo la loro IA a osservare due diverse camminate fatte dalla stessa persona (ma partendo da punti diversi), essa poteva capire lo "stile" unico della persona (le regole nascoste) senza mai essere stata informata di chi fosse la persona. Ciò consente all'IA di prevedere i movimenti futuri con alta precisiono, anche per persone che non ha mai visto prima, e anche in condizioni estreme in cui le regole cambiano drasticamente.

Il nuovo trucco del detective

Di solito, quando gli scienziati cercano di costruire un modello informatico per prevedere come un sistema (come un fluido o una reazione chimica) si comporterà, si scontrano con un muro se non dispongono del "manuale di istruzioni". Se vogliono prevedere come l'acqua scorre attorno a un cilindro, devono conoscere lo spessore dell'acqua (viscosità). Se non hanno quel numero, il modello è cieco.

I tentativi precedenti per risolvere il problema erano come cercare di indovinare la taglia di una scarpa guardando una singola impronta. Alcuni metodi cercavano di memorizzare l'intera storia del movimento (come guardare gli ultimi 10 passi per indovinare il prossimo), ma questo spesso portava il modello a confondersi e a commettere errori macroscopici nel tempo. Altri cercavano di comprimere i dati in un "codice segreto" nascosto, ma quel codice era spesso disordinato e non diceva nulla di utile sulla fisica.

Il team dietro questo articolo, guidato da Sili Deng e colleghi, ha deciso di provare un approccio diverso. Hanno trattato il problema come un gioco di "trova le differenze" tra due versioni della stessa storia.

Il gioco di addestramento delle "Due Storie"

Ecco come funziona il loro metodo, NODnet, usando una semplice analogia:

Immaginate di avere una biblioteca di migliaia di storie scritte da diversi autori. Non sapete chi ha scritto quale storia e non avete i loro nomi. Avete solo il testo. Il vostro obiettivo è costruire una macchina che possa finire qualsiasi storia, indipendentemente da chi l'abbia scritta, e persino scrivere nuove storie per autori che non avete mai incontrato.

Il trucco degli autori è stato prendere due capitoli diversi dallo stesso libro di un autore.

1. Il Capitolo A viene utilizzato per capire la "voce" unica dell'autore (il suo stile, il vocabolario e il tono).
2. Il Capitolo B viene utilizzato per testare se la macchina può prevedere cosa accadrà dopo, usando quella "voce" come guida.

Fondamentalmente, alla macchina viene detto: "Questi due capitoli sono dello stesso autore, ma iniziano in punti diversi della trama". Questo costringe la macchina a ignorare i dettagli specifici della trama (come "l'eroe era al castello") e a concentrarsi solo sullo stile unico dell'autore (i "fattori governanti").

Nel mondo reale, questo significa che l'IA osserva un breve frammento di dati di un flusso di fluido (la "voce") e usa quello per prevedere il futuro di un diverso frammento di dati dello stesso setup di fluido. Facendo questo ripetutamente, l'IA impara a eliminare il rumore delle specifiche condizioni iniziali e a isolare le pure "regole" che governano il sistema.

La magia della "Dimensione Nascosta"

Una delle parti più ingegnose di questa scoperta è come l'IA capisca quante regole nascoste deve imparare.

Immaginate di cercare di descrivere lo stile di camminata di una persona. Potreste usare mille parole diverse, ma forse ne servono solo due: "lunghezza del passo" e "ritmo". Se ne usate troppe, iniziate a descrivere il colore dei suoi calzini (dettagli irrilevanti). Se ne usate troppo poche, non riuscite a distinguere uno sprinter da un passeggiatore.

I ricercatori hanno costruito un sistema che testa automaticamente diversi numeri di "parole nascoste" (chiamate dimensioni latenti). Hanno scoperto che per l'equazione di Burgers (un modello per gli shock nei fluidi), l'IA si è naturalmente assestata su 1 dimensione nascosta. Per il sistema di FitzHugh–Nagumo (un modello per gli impulsi nervosi), si è assestata su 2. Questo corrispondeva perfettamente al numero reale di variabili fisiche che cambiano in quei sistemi (la viscosità per il primo, due parametri per il secondo).

Ciò suggerisce che l'IA non sta solo tirando a indovinare; sta effettivamente scoprendo il numero minimo di regole necessarie per descrivere il mondo. È come se l'IA dicesse: "Non ho bisogno di sapere il colore dei calzini; ho solo bisogno della lunghezza del passo".

Cosa hanno scoperto (e cosa non hanno scoperto)

Il team ha testato questa idea su tre sistemi fisici molto diversi:

1. Equazione di Burgers: Un modello per il flusso di fluidi che può creare shock improvvisi e netti (come un boom sonico). Hanno testato con diverse viscosità, incluso un caso a "viscosità zero" dove il fluido è perfettamente scivoloso.
2. Scia del flusso attorno a un cilindro: Come l'aria o l'acqua vorticano dietro un cilindro. Questo è stato un test difficile perché i dati erano "sparsi" (solo 16 esempi) e la forma era irregolare.
3. Sistema di FitzHugh–Nagumo: Un modello di come i segnali elettrici viaggiano nei nervi, che può comportarsi in modi complessi e oscillanti.

In tutti e tre i casi, il modello NODnet ha superato i vecchi metodi.

• Previsione a lungo termine: Mentre altri modelli si sarebbero allontanati dalla rotta dopo pochi passaggi (come un GPS che perde lentamente il segnale), il modello NODnet è rimasto accurato per molto più tempo. Ad esempio, nel test di Burgers, i vecchi modelli "autoregressivi" (che guardano solo al passato) avevano errori enormi dopo 50 passaggi, mentre NODnet ha mantenuto la calma.
• Magia "Zero-Shot": Il modello è stato persino in grado di prevedere cosa sarebbe successo per un sistema che non aveva mai visto prima. Nel test dell'impulso nervoso, hanno addestrato l'IA su un set specifico di regole, poi le hanno chiesto di prevedere un set di regole completamente nuovo che non aveva mai incontrato. L'IA non ha solo indovinato; ha usato lo "stile" appreso per estrapolare correttamente.
• Il limite "Inviscido": Nel test del fluido, hanno chiesto all'IA di prevedere cosa succede quando il fluido ha una viscosità pari a zero (uno stato su cui non era stata esplicitamente addestrata). La "voce" interna dell'IA è cambiata in modo fluido e continuo per gestire questo caso estremo, dimostrando di aver compreso davvero la fisica, non solo la matematica.

I limiti del detective

Gli autori sottolineano con cautela che si tratta di una scoperta basata su simulazioni. Non hanno ancora testato questo metodo su dati reali e rumorosi provenienti da sensori di una fabbrica o di un fiume. Segnalano inoltre che il loro metodo funziona meglio quando le "regole" cambiano in modo fluido. Se il sistema passa improvvisamente da un tipo di comportamento a un altro completamente diverso (come l'acqua che diventa ghiaccio), il metodo attuale potrebbe avere difficoltà.

Inoltre, hanno scoperto che il modo in cui l'IA viene "insegnata" è fondamentale. Se l'IA guarda solo un passo alla volta (come un singolo fotogramma di un film), fallisce nell'apprendere le regole profonde. Ha bisogno di vedere l'immagine completa o più passi in avanti per capire la "voce" del sistema. Ciò suggerisce che per scoprire le leggi della natura dai dati, dobbiamo guardare il quadro generale, non solo il passo immediatamente successivo.

Perché questo è importante

Questo articolo suggerisce un nuovo modo di fare scienza. Invece di aver bisogno di un essere umano che etichetti ogni singolo esperimento con i suoi parametri, potremmo essere in grado di lasciare che l'IA analizzi dati disordinati e non etichettati per trovare le leggi nascoste per noi. È un passo verso la scoperta "auto-supervisionata", dove le macchine imparano le regole dell'universo semplicemente osservandolo giocare.

Sebbene non sia una bacchetta magica che risolve ogni problema fisico oggi, offre un percorso promettente. Dimostra che anche senza un manuale, se guardiamo abbastanza diverse "impronte" e le confrontiamo nel modo giusto, possiamo imparare a prevedere il futuro di sistemi complessi, dal flusso del sangue nelle nostre vene ai modelli meteorologici nella nostra atmosfera. L'IA non sta solo memorizzando; sta imparando a pensare come un fisico.