Para descobrir nova física, IA precisa superar viés de teorias atuais
A busca por novas leis da física, que transcendam os modelos atuais e incompletos do universo, encontra um desafio inesperado na própria inteligência artificial (IA): sua dependência do conhecimento existente. Pesquisadores alertam que, para a IA realmente desvendar segredos ainda ocultos, ela precisa encontrar maneiras de “desaprender” ou contornar o viés das teorias com as quais foi treinada.
Enquanto a IA é celebrada por sua capacidade de processar vastas quantidades de dados e acelerar simulações complexas, um estudo recente da Universidade de Princeton, nos EUA, revelou um ponto cego. A técnica de aprendizagem por transferência, que permite à IA reutilizar conhecimento prévio para novas tarefas, pode, paradoxalmente, dificultar o reconhecimento de fenômenos genuinamente novos, interpretando-os como variações de padrões já conhecidos.
O Paradoxo da “Transferência Negativa” na Cosmologia
A pesquisa de Veena Krishnaraj e Adrian Bayer, da Universidade de Princeton, publicada no Journal of Cosmology and Astroparticle Physics, focou em simulações cosmológicas. O modelo cosmológico padrão, conhecido como Lambda-CDM (ΛCDM), descreve com sucesso a expansão do universo e a distribuição de galáxias, mas os físicos sabem que ele é incompleto. Fenômenos como neutrinos massivos, gravidade modificada e a natureza da matéria e energia escuras exigem uma “nova física” que o ΛCDM não explica.
Para investigar essas hipóteses alternativas, os cientistas geram inúmeras simulações de universos virtuais, o que demanda um poder computacional imenso. A IA surgiu como uma ferramenta promissora para tornar esse processo mais eficiente, e a aprendizagem por transferência de fato reduziu em mais de dez vezes a necessidade de simulações caras.
No entanto, a equipe identificou um problema crucial: a “transferência negativa”. Isso ocorre quando o conhecimento prévio da IA, em vez de auxiliar, leva o sistema a interpretar sinais inéditos como se fossem meras variações de padrões já assimilados. Por exemplo, certos efeitos produzidos pela massa de neutrinos podem se assemelhar a variações de um parâmetro do modelo ΛCDM (Sigma 8 ou σ8), que descreve como a matéria se agrupa no universo. Devido a essa semelhança, a rede neural pré-treinada inicialmente teve dificuldades em separar os dois efeitos, analisando informações desconhecidas através de referências familiares e, potencialmente, mascarando evidências de novas leis físicas.
Bayer compara a situação a um estudante de medicina que, ao aprender com materiais introdutórios, encontra uma doença rara que se assemelha a uma enfermidade comum. O conhecimento existente é geralmente útil, mas pode levar a conclusões erradas.
Veja também:
IA que Desvenda o Inédito: Casos de Sucesso
Apesar dos desafios, a inteligência artificial já demonstrou capacidade de ir além e descobrir novas leis físicas em diversas áreas:
Modelo AI-Newton e a Descoberta Autônoma
Na China, o modelo AI-Newton, desenvolvido na Universidade de Pequim, é um exemplo notável de IA capaz de descobrir leis da física de forma autônoma. Utilizando regressão simbólica a partir de dados experimentais, o AI-Newton consegue deduzir equações que representam fenômenos físicos sem intervenção humana prévia. Em um experimento, ele derivou a segunda lei de Newton ao analisar o movimento de uma bola, demonstrando a capacidade de identificar conceitos úteis e princípios científicos.
Revelando Forças Ocultas em Plasma Empueirado
Uma equipe de físicos da Emory University, nos EUA, utilizou IA para revelar novas regras de interação entre partículas em um plasma empueirado, o “quarto estado da matéria”. O estudo, publicado na revista PNAS, mostrou que a IA descreveu forças complexas com mais de 99% de precisão e, surpreendentemente, contrariou suposições de longa data sobre o comportamento dessas forças. Os pesquisadores destacam que o método de IA utilizado não é uma “caixa preta”, permitindo a compreensão de seu funcionamento e a universalidade de sua estrutura para ser aplicada a outros sistemas de muitos corpos.
Modelos Fundacionais de Física: Walrus e AION-1
A colaboração Polymathic AI, que inclui pesquisadores do Flatiron Institute e da Universidade de Cambridge, desenvolveu modelos como Walrus e AION-1. Diferentemente de IAs treinadas em linguagem ou imagens, esses modelos são alimentados com vastos conjuntos de dados científicos reais, aprendendo os fundamentos dos processos físicos. Essa abordagem permite que o conhecimento adquirido em um campo seja aplicado a problemas aparentemente distintos, acelerando a computação e o desempenho em regimes de poucos dados, além de identificar a física compartilhada entre diferentes áreas.
A Física Intuitiva do LeWorldModel
Um projeto liderado por Yann LeCun, cientista-chefe de inteligência artificial da Meta, busca ensinar máquinas a desenvolver uma “física intuitiva”, semelhante à forma como os bebês humanos compreendem o mundo. O sistema, chamado LeWorldModel, é treinado para observar ambientes simulados e prever o comportamento de objetos e eventos, criando uma representação mais profunda do mundo físico, sem depender exclusivamente de grandes volumes de texto.
Desafios e Desdobramentos Futuros
O dilema da IA em “desaprender” ou transcender seu treinamento inicial é um ponto crítico para o futuro da descoberta científica. A solução reside em desenvolver abordagens que tornem a IA mais “mente aberta” e sensível a anomalias, em vez de ser excessivamente enviesada por teorias existentes.
A aprendizagem por transferência, embora apresente a “transferência negativa”, ainda é vista como uma ferramenta importante, desde que seus riscos sejam considerados e mitigados. Os pesquisadores propõem que a IA seja treinada em um processo gradual, como um estudante que primeiro lê um livro básico e depois avança para materiais mais especializados, para evitar que o sistema precise assimilar tudo de uma vez.
A colaboração entre humanos e IA é o caminho mais promissor. Enquanto a IA pode detectar padrões, gerar equações e acelerar a análise de dados, a criatividade, a intuição e a capacidade de questionar suposições fundamentais permanecem domínios humanos. Os físicos do futuro atuarão como colaboradores da IA, treinando-a para explorar a física de novas maneiras e interpretando as descobertas que a máquina pode revelar.
A próxima geração de telescópios e levantamentos astronômicos produzirá volumes de dados sem precedentes, e a IA será indispensável para sua análise. O desafio será garantir que essas ferramentas não apenas confirmem o que já sabemos, mas nos guiem para uma compreensão verdadeiramente nova do universo.