Físicos teóricos costumam usar simulações como ferramenta de trabalho para emular fenômenos físicos em um ambiente virtual. Estas simulações dependem das equações que descrevem as leis da física, e geralmente envolvem tantos parâmetros que devem rodar em supercomputadores. Entretanto, alguns fenômenos ainda não são descritos em detalhes, de forma que não existe um modelo matemático consolidado que possa ser útil para gerar uma simulação. Além disso, existe uma barreira entre o mundo digital onde ocorrem as simulações e o mundo real de natureza analógica, que insere certo grau de instabilidade nas predições.
Pesquisadores da Universidade de Osaka, no Japão, apresentaram em dezembro na Conferência de Sistemas de Processamento de Informação Neural (NeurIPS) um trabalho descrevendo como preencher esta lacuna usando inteligência artificial. O sistema foi pensado considerando uma abordagem “se o mundo fosse digital”, o que implicou na introdução de algumas leis básicas como a de conservação de energia. A partir deste “universo inicial”, é possível fazer predições sobre processos mais complexos usando dados observacionais, deixando que o algoritmo extraia desses dados as informações necessárias para predições úteis sem que o processo seja definido matematicamente – ou seja, treinando o algoritmo de forma rotineira.
O desenvolvimento encontrou algumas barreiras técnicas. Foi necessário, por exemplo, desenvolver uma nova versão do mecanismo de backpropagation usando diferenciação automática, já que as equações exatas que governam os fenômenos não são conhecidas. Desta forma, a lei de conservação de energia, por exemplo, pode ser respeitada neste mundo digital. No final, o algoritmo produz equações de movimento que podem ser usadas diretamente pelo programa de simulação, gerando versões digitais exatas dos fenômenos reais. Os pesquisadores ainda testaram o desempenho do método contra as alternativas tradicionais, demonstrando que o novo algoritmo é 10 vezes mais rápido.
A inteligência artificial desenvolvida no estudo vai permitir simular os fenômenos que antes não estavam disponíveis aos pesquisadores, o que deve resultar em novas descobertas científicas. Além disso, é possível que o próprio mecanismo alternativo de backpropagation encontre uma aplicação mais generalista nos modelos de machine learning.