In de uitgestrekte, chaotische dans van het universum, van het kolkende plasma in een fusiereactor tot de nerveuze beweging van deeltjes in een drukke cel, is er een constante strijd tussen orde en chaos. Wetenschappers weten al lang hoe ze het gemiddelde gedrag van deze systemen kunnen beschrijven: als je maar lang genoeg wacht, zal een wolk deeltjes zich op een voorspelbare manier verspreiden, net zoals een druppel inkt die zich verspreidt in een glas water. Deze verspreiding wordt beheerst door een eenvoudige regel over hoe ver de deeltjes gemiddeld reizen over een bepaalde tijd. De echte wereld is echter zelden zo eenvoudig. De deeltjes verspreiden zich niet alleen; ze klonteren soms samen, schieten soms vooruit, en vormen vaak vreemde, zware staarten in hun distributie die eenvoudige voorspelling tarten. Het begrijpen van deze complexe vormen is cruciaal voor alles, van het ontwerpen van veiligere kernfusiereactoren tot het volgen van kosmische straling, maar het vastleggen van de volledige, rommelige details van deze distributies is een hardnekkige uitdaging gebleven voor natuurkundigen.

Een nieuwe aanpak, ontwikkeld door een team onderzoekers van de Universiteit van Oxford en Princeton University, biedt een frisse manier om dit probleem aan te pakken door een hulpmiddel te lenen uit de kunstmatige intelligentie. Al jaren worden AI-systemen getraind om realistische afbeeldingen te genereren door te leren hoe een proces van het toevoegen van ruis kan worden omgekeerd. Stel je voor dat je een heldere foto neemt en deze geleidelijk vervaagt tot het niets anders meer is dan statische ruis; een slimme computer kan leren dit om te keren, de statische ruis terug te veranderen in een scherp beeld. De onderzoekers realiseerden zich dat deze zelfde wiskundige machinerie gebruikt kon worden om fysieke systemen te modelleren waarbij deeltjes zich verspreiden onder invente willekeurige krachten. Maar er was een addertje onder het gras: in beeldgeneratie is de "tijd" die het kost om een afbeelding te vervagen arbitrair, gekozen door de programmeur om de AI het beste te laten werken. In de natuurkunde is tijd echt, en de snelheid waarmee deeltjes zich verspreiden is een fundamentele natuurwet die niet gefingeerd kan worden.

De doorbraak van het team was om de AI te dwingen de fysieke klok te respecteren. In plaats van de computer te laten beslissen hoe snel er ruis wordt toegevoegd, programmeerden ze het systeem om een specifieke, bekende wet te volgen over hoe de gemiddelde verspreiding van de deeltjes over de tijd groeit. Ze namen de gevestigde natuurkunde van hoe deeltjes bewegen – of ze nu stuiteren door een turbulent magnetisch veld of door een poreus gesteente drijven – en gebruikten die exacte groeisnelheid om de interne timer van de AI te controleren. Dit betekende dat de AI niet langer hoefde te raden hoe snel het systeem evolueerde; de AI hoefde alleen de vorm van de distributie te leren, de specifieke manier waarop de deeltjes klonterden of uitrekten terwijl ze bewogen. Door de AI aan deze fysieke realiteit te verankeren, creëerden de onderzoekers een "surrogaatmodel" dat fungeert als een zeer nauwkeurige vervanger voor complexe fysieke simulaties.

Om dit idee te testen, richtte het team zich op een scenario dat relevant is voor de toekomstige energievoorziening: de beweging van geladen deeltjes door turbulente magnetische velden, zoals die worden aangetroffen in fusie-experimenten of in de ruimte rond de zon. In deze omgevingen bewegen deeltjes zich niet in een rechte lijn; ze worden constant geknikkerd door magnetische fluctuaties. De onderzoekers gebruikten gegevens uit laboratoriumexperimenten waarbij een bundel protonen door een turbulent magnetisch veld werd geschoten om een momentopname van de turbulentie te maken. Vervolgens trainden ze hun AI-model met enkel de begincondities van de deeltjes en de bekende natuurwet over hoe de bundel zich zou verspreiden. Cruciaal was dat ze de AI geen gegevens uit het midden van de reis voerden; het model moest het hele pad van begin tot eind leren, gebaseerd uitsluitend op het begin en de regels van de verspreiding.

De resultaten waren opmerkelijk. Toen de onderzoekers de AI vroegen om de distributie van de deeltjes op een specifiek moment in de tijd te genereren, reproduceerde het model de exacte verspreiding die in het laboratorium werd gemeten. Het legde niet alleen de gemiddelde afstand vast die de deeltjes hebben afgelegd, maar ook de subtiele, niet-standaard vormen van de distributie, inclus': de zware staarten waar zeldzame, hoogenergetische deeltjes verblijven. Het model slaagde erin om bij te houden hoe de "piekheid" van de distributie veranderde terwijl de deeltjes bewogen van een snelle, ballistische fase naar een tragere, diffusieve fase. Dit werd bereikt zonder dat de AI ooit de tussenliggende stappen van het fysieke proces zag, wat bewees dat het model de onderliggende fysica had geleerd in plaats van alleen datapunten te memoriseren.

De studie onthulde ook wat er gebeurt wanneer de natuurwetten worden genegeerd. Wanneer de onderzoekers hetzelfde AI-model draaiden maar de AI lieten een standaard, arbitrair schema gebruiken voor het toevoegen van ruis — zoals die gebruikt worden voor het genereren van plaatjes van katten of landschappen — faalde het model om in lijn te zijn met de fysieke tijd. Het kon een wazig beeld produceren dat er goed uitzag, maar het vertegenwoordigde niet de juiste fysieke staat op het juiste moment. Het team toonde aan dat door strikt vast te houden aan de fysieke variantiewet, het model kon fungeren als een differentieerbaar instrument, wat betekent dat wetenschappers het kunnen gebruiken om terug te werken van een detectorlezing om de condities bij de bron af te leiden. Dit opent de deur naar het gebruik van deze modellen voor real-time inferentie in complexe experimenten waar traditionele simulaties te traag zijn of data schaars is.

Een van de meest significante aspecten van dit werk is de efficiëntie ervan. Traditionele methoden voor het begrijpen van deze systemen vereisen vaak enorme hoeveelheden gegevens die bij elke stap van de reis zijn verzameld, of ze vertrouwen op het oplossen van complexe vergelijkingen die computationeel erg duur zijn. Deze nieuwe methode vereist alleen de beginverdeling en de bekende wet van de verspreiding. Het scheidt het probleem effectief in twee delen: de schaal van de verspreiding, die door de bekende fysica wordt afgehandeld, en de vorm van de distributie, die door de AI wordt geleerd. Hierdoor kan het model de complexe, niet-Gaussische kenmerken van het systeem vastleggen — die zware staarten en scherpe pieken die standaardmodellen missen — terwijl het perfect gekalibreerd blijft aan de fysieke tijdlijn.

De onderzoekers valideerden hun bevindingen door hun AI-surrogaat te vergelijken met gedetailleerde computersimulaties van testdeeltjes die bewegen door een magnetisch veld gegenereerd door een supercomputer. Het AI-model kwam de gesimuleerde variantie en de evolutie van de vorm van de distributie met hoge precisie overeen. In het specifieke geval van het turbulente plasma voorspelde het model correct hoe de deeltjes zich zouden verspreiden over een afstand van enkele honderden micrometers, een schaal die relevant is voor laboratoriumexperimenten. Het team merkte op dat hoewel het model in zijn kernmechanica een Gaussisch surrogaat is, het succesvol de niet-Gaussische kenmerken van de ingangsdata overneemt, waardoor het de zware staarten kan vertegenwoordigen die worden waargenomen in echte turbulente systemen.

Deze aanpak vertegenwoordigt een verschuiving in de manier waarop wetenschappers digitale tweelingen van fysieke systemen kunnen bouwen. In plaats van te proberen elke enkele botsing of interactie te simuleren, wat vaak onmogelijk is, gebruikt de nieuwe methode de bekende macroscopische wetten om een generatief model te sturen dat de microscopische details invult. Het werk suggereert dat voor elk systeem waarbij de snelheid van de verspreiding bekend is, een generatief model gekalibreerd kan worden om te fungeren als een nauwkeurige, tijdsopgeloste emulator. Dit zou bijzonder waardevol kunnen zijn in velden zoals de astrofysica, waar directe observatie beperkt is, of in de materiaalkunde, waar het begrijpen van het transport van deeltjes door complexe media essentieel is.

De studie beweert niet elk probleem in de stochastische transport te hebben opgelost. De onderzoekers erkennen dat hun model een surrogaat is, een statistische benadering die het best werkt wanneer de onderliggende fysieke kernel dicht bij een Gaussische verdeling ligt of wanneer de niet-Gaussische kenmerken herleid kunnen worden naar de ingangscondities. Ze spraken expliciet de gedachte tegen dat het model in staat zou zijn om elk microscopisch detail van een eindige-snelheid transportproces perfect te repliceren, zoals de specifieke begrensde ondersteuning van het pad van een deeltje in een telegraph-achtig model. Echter, door de kloof tussen hun model en de ware fysieke kernel te kwantificeren, toonden ze aan dat de fout voorspelbaar en beheersbaar is.

Uiteindelijk presenteert het artikel een methode die de brug slaat tussen de rigide wetten van de natuurkunde en de flexibele kracht van moderne machine learning. Door de interne klok van de AI te verankeren aan de fysieke realiteit van hoe deeltjes zich verspreiden, hebben de onderzoekers een instrument gecreëerd dat zowel computationeel efficiënt als fysiek getrouw is. Het stelt wetenschappers in staat om nauwkeurige voorspellingen te doen van complexe transportverschijnselen met minimale gegevens, waardoor een ooit onhandelbaar probleem wordt omgezet in een beheersbaar probleem. Het werk staat als een demonstratie dat wanneer kunstmatige intelligentie geworteld is in de fundamentele wetten van de natuur, het een krachtige partner kan zijn bij het verkennen van de verborgen dynamiek van de fysieke wereld.