实验室真空室内部视图，胶体颗粒悬浮在一个扁平的圆盘中，在激光绿光照射下，用于研究尘埃等离子体。

在科学探索的前沿，人工智能（AI）正从“工具”跃升为“发现者”。埃默里大学的物理学家们利用机器学习，在多体系统的核心——非互易力的研究中，取得了颠覆性突破！他们不仅以超过99%的惊人精度描述了这些力，更证明了一些关于这些力的常见理论假设并不完全准确。这项重磅研究发表在顶级期刊《美国国家科学院院刊》(PNAS)上。

埃默里大学实验物理学教授、该论文的资深合著者贾斯汀?伯顿（Justin Burton）表示，他们证明了可以利用 AI 发现新物理现象，且他们的 AI 方法并非黑匣子，其工作原理及原因清晰可知；该方法提供的框架具有普适性，可潜在应用于其他多体系统，开辟新的发现路径。

这篇《美国国家科学院院刊》（PNAS）论文，提供了迄今为止对尘埃等离子体物理最详细的描述，并为非互易力提供了精确的近似描述。

埃默里大学理论物理学教授、论文的另一位资深合著者伊利亚?内梅曼（Ilya Nemenman）表示，他们能够以超过 99% 的精度描述这些力。他还提到，更有趣的是，他们证明了一些关于这些力的常见理论假设并不完全准确，他们现在能够纠正这些不准确之处，因为他们能够以前所未有的精细程度观察正在发生的情况。

研究人员希望，他们的AI方法将作为一个起点，用于从各种多体系统（由大量相互作用的粒子组成）的动力学中推导定律。例子范围广泛，从胶体（如油漆、墨水和其他工业材料）到活生物体中的细胞簇。

论文的第一作者是余文涛（Wentao Yu），他在埃默里大学攻读博士学位期间参与了该项目，现为加州理工学院的博士后研究员。合著者埃斯拉姆·阿卜杜勒阿利姆（Eslam Abdelaleem）在项目期间也是埃默里大学研究生，现为佐治亚理工学院博士后研究员。

美国国家科学基金会等离子体物理项目主任维亚切斯拉夫（斯拉瓦）?卢金（Vyacheslav (Slava) Lukin）表示，该项目是跨学科合作的典范，等离子体物理和 AI 领域新知识的开发可能有助于推动生命系统研究的进一步进展；这些复杂系统的动力学主要由集体相互作用主导，新兴的 AI 技术可能帮助人们更好地描述、识别、理解甚至控制这些相互作用。

什么是尘埃等离子体？

等离子体是电离气体，即带电的电子和离子自由移动，从而产生独特的性质，如电导性。作为物质的第四种状态，据估计等离子体构成了可见宇宙的99.9%，从太阳日冕发出的太阳风到袭击地球的闪电。

尘埃等离子体在电离气体中加入了带电的尘?？帕?，在太空和行星环境中也很常见——从土星环到地球的电离层。

月球表面因重力较弱而悬浮的带电粒子，就是尘埃等离子体的一个例子。伯顿解释说，这正是宇航员在月球上行走时，宇航服会覆盖上灰尘的原因。

地球上尘埃等离子体的一个例子可以发生在野火期间，当煤烟与烟雾混合时。带电的煤烟颗?；岣扇盼尴叩缧藕牛跋煜涝敝涞耐ㄐ?。

实验室中的模型系统

伯顿研究尘埃等离子体和非晶材料的物理学。他的实验室在充满等离子体的真空室中悬浮微小的塑料颗粒进行实验，以此作为更复杂系统的模型。通过改变真空室内的气体压力，实验室成员可以模拟真实现象的特性，并研究当系统受到外力驱动时如何变化。

在目前这个项目中，伯顿和余文涛开发了一种层析成像技术，用于追踪尘埃等离子体中粒子的三维（3D）运动。一束展开成片状的激光在真空室中上下移动，同时高速相机捕捉图像。位于激光平面内的粒子快照随后被组装成堆栈，揭示出单个粒子在厘米尺度上数分钟的3D位置。

15粒子实验中相互作用力和环境力减小的模型预测。

AI助力发现新物理

内梅曼是一位理论生物物理学家，他致力于寻找自然动力系统（尤其是复杂的生物系统）背后的规律。他特别关注集体运动现象，例如人体细胞如何在体内移动。

内梅曼解释说，关于整个系统如何从微小部分的相互作用中产生的这类普遍问题非常重要。例如在癌症研究中，人们希望理解细胞间的相互作用如何与其中一些细胞脱离肿瘤并转移到新位置（即转移）相关联。

尽管内梅曼经常与生命科学领域的研究人员合作，但与伯顿实验室的合作项目提供了一个机会，可以深入研究一个比生命系统稍简单的系统。这为尝试利用AI研究集体运动的动力学并揭示新物理规律提供了理想契机。

内梅曼表示，尽管人们一直在讨论 AI 如何革命性地改变科学，但实际上，由 AI 系统直接发现全新基础知识的例子却非常少。

AI中最著名的例子之一是ChatGPT，它通过训练互联网上海量的信息来预测对提示做出适当的文本响应。

根据公式4推导出的质量、电荷和屏蔽长度测量值（z = 0.03 mm处）

内梅曼解释说，当人们探索新领域时，可用于训练人工智能的数据非常有限，这意味着他们必须设计一种神经网络，使其能在少量数据训练下仍能学习新知识。

伯顿、内梅曼、余文涛和阿卜杜勒阿利姆每周都在会议室讨论这一问题。

伯顿解释说，他们需要将网络结构设计成既遵循必要规则，又能探索和推断未知物理规律。

内梅曼补充说，这些每周会议的来回讨论耗时超过一年，一旦他们找到了训练网络的正确结构，结果证明其相当简单。

物理学家们为神经网络提炼了约束条件，要求其模拟对粒子运动的三个独立贡献：速度效应（或阻力）、环境力（如重力）以及粒子间力。

该AI模型在3D粒子轨迹数据上进行训练，能够准确捕捉固有的对称性、非全同粒子特性，并以极高精度学习粒子间有效非互易力。

非互易力：船与尾流的类比

为解释这些非互易力，研究人员以两艘船在湖面上航行并产生波浪的类比进行说明。每艘船的尾流模式会影响另一艘船的运动。一艘船的尾流可能因相对位置不同而排斥或吸引另一艘船——例如，当两艘船并排行驶或一前一后时。

内梅曼解释说，在尘埃等离子体中，他们描述了前导粒子如何吸引尾随粒子，但尾随粒子总是排斥前导粒子；这一现象虽被部分人预料，但他们如今为其提供了此前不存在的精确近似描述。

实验和数据工作流程概述。

他们的研究结果还纠正了关于尘埃等离子体的一些错误假设。

例如，长期以来有一种理论认为，尘埃粒子的半径越大，附着在其表面的电荷就越大，且电荷与粒子的半径成正比。内梅曼表示，他们证明这一理论并不完全正确：虽然粒子的半径越大，电荷确实越大，但这种增加并不一定与半径成正比，而是取决于等离子体的密度和温度。

另一种理论认为，两个粒子之间的作用力会随着两者之间距离的增加而呈指数级衰减，且这种衰减的速率与粒子的大小无关。然而，新的AI方法表明，作用力的衰减确实与粒子的大小有关。

研究人员通过实验验证了他们的发现。

普适框架与未来展望

他们的基于物理的神经网络在台式计算机上运行，并提供了一个普适的理论框架，可用于解开其他复杂多体系统的奥秘。

例如，内梅曼期待即将在德国康斯坦茨集体行为学院（Konstanz School of Collective Behavior）担任客座教授。该学院汇集了跨学科方法来研究蓬勃发展的集体行为领域，从鸟群、鱼群到人群。

内梅曼表示，他将向来自世界各地的学生教授如何利用 AI 推导集体运动的物理原理 —— 不是在尘埃等离子体中，而是在生命系统中。

AI与人类智慧的结合

尽管他们的AI框架具备推导新物理规律的能力，但需要人类物理专家来设计正确的神经网络结构，并解释和验证结果数据。

伯顿表示，以批判性思维开发和使用 AI 工具，以真正推动科学、技术和人文领域的进步，这至关重要。

他对AI造福社会的潜力持乐观态度。

伯顿说，他认为这就像《星际迷航》的格言 “勇踏前人未至之境（to boldly go where no one has before）”，如果运用得当，AI 可以打开通往全新探索领域的大门。