埃默里大学的科学家们在探索物理学的未知领域时，采取了前所未有的创新路径。他们利用人工智能（AI）技术，不仅挑战了等离子体物理学中根深蒂固的假设，还成功揭示了尘埃等离子体中奇异力的全新面貌。
与常规的AI应用大相径庭，这些科学家们并未将AI局限于预测结果或数据清洗的任务上。相反，他们设计了一个神经网络，旨在发现全新的物理定律。这一独特的研究方法，通过输入尘埃等离子体的实验数据，让AI系统去探索那些尚未被人类完全理解的物理现象。
尘埃等离子体，这种炽热且带电的气体，遍布于宇宙之中，从土星环到地球上的野火烟雾，都能找到它的踪迹。然而，尽管其普遍存在，尘埃等离子体中粒子间相互作用的具体机制却一直是个谜。为了解开这一谜团，科学家们构建了一个高精度的3D成像系统，利用激光和高速相机捕捉塑料尘埃颗粒在等离子体环境中的运动轨迹。
这些详尽的运动轨迹数据，成为了训练定制神经网络的宝贵资源。不同于依赖海量数据的AI模型，这个神经网络在少量但信息丰富的数据集上进行了训练，并且被巧妙地设计为内置物理规则，如重力、阻力和粒子间作用力。这样的设计，使得AI能够在遵循基本物理原理的同时，学习到复杂的行为模式。
研究结果显示，这个神经网络不仅成功描述了尘埃等离子体中非互易力的精确行为，而且其准确度超过了99%。一个令人瞩目的发现是，粒子间的相互作用呈现出不对称性：当一个粒子领先时，它会吸引尾随粒子，而尾随粒子则会推开前导粒子。这种不对称的相互作用此前虽有怀疑，但从未被如此清晰地建模过。
更令人惊讶的是，这个AI模型还修正了等离子体物理学中一些长期存在的错误假设。例如，过去认为粒子的电荷量与其尺寸完全成正比，但AI揭示出这种关系实际上取决于周围等离子体的密度和温度。同样，粒子间的力也并非总是随距离呈指数衰减，而是受到粒子大小的影响，这一见解在以往的研究中被忽视了。
值得注意的是，这个强大的AI模型仅需在普通台式计算机上运行，即可产生通用的框架。这一框架现在可以被应用于各种多粒子系统，从油漆混合物到生物体内的细胞迁移，展示了AI在科学发现中的无限潜力。这项研究不仅证明了AI在揭示自然隐藏规则方面的能力，也挑战了人们对AI应用的传统认知。
埃默里大学的教授伊利亚·内门曼表示：“尽管人们都在谈论AI如何改变科学，但很少有实例能够证明AI系统能够直接发现全新的基础性知识。我们希望这项工作能够激励更多的科学家探索AI在科学和社会领域的广泛应用。”
