«Апостериори»: Нейросеть помогла обнаружить новую физику пылевой плазмы

Новости науки и технологий

Поддержите «Эхо», если вы не в России

Физики использовали машинное обучение не просто для предсказания движения частиц, а для восстановления сил, которые действуют между ними. И оказалось, что поведение этих частиц заметно отличается от того, что предсказывают распространённые теоретические модели.

Речь идёт о пылевой плазме. Это смесь электронов, ионов и крошечных заряженных частиц. Такая плазма встречается и в лаборатории, и в космосе – например, в кольцах Сатурна, в межзвёздной среде или в окрестностях молодых планетных систем. На первый взгляд, пылевая плазма может показаться довольно экзотическим объектом. Но именно такие системы помогают изучать, как множество частиц взаимодействует друг с другом в сложной среде.

Обычно частицы пыли в плазме получают отрицательный заряд и отталкиваются друг от друга. Но это отталкивание не похоже на простое взаимодействие двух зарядов в вакууме. Частицы окружены плазмой, и эта среда частично экранирует их заряд. Кроме того, рядом с электродом, где проводился эксперимент, через систему движется поток положительных ионов. Эти ионы обтекают пылевые частицы и создают под ними своеобразный «след» – ионный хвост.

Из-за этого взаимодействие становится необычным. Одна частица может действовать на другую не так же, как другая на первую. Иными словами, в такой системе нарушается привычная симметрия взаимодействия. В школьной формулировке третий закон Ньютона говорит: сила действия равна силе противодействия. Но в пылевой плазме эффективные силы между частицами могут быть неравными, потому что частицы обмениваются энергией с окружающей неравновесной средой.

В новой работе, опубликованной в журнале PNAS, исследователи из Университета Эмори проследили трёхмерное движение микрочастиц в лабораторной пылевой плазме. Для этого исследователи подсвечивали частицы тонкой сканирующей лазерной плоскостью и снимали их движение высокоскоростной камерой. Затем по этим траекториям они обучили нейросеть восстанавливать силы, которые действовали на каждую частицу.

Важно, что это была не обычная нейросеть-«чёрный ящик». В её устройство заранее встроили физические представления о системе. Например, модель учитывала, что частицы движутся в горизонтальной плоскости, что взаимодействия зависят от расстояния между ними, что частицы могут быть разного размера, а также что на них действуют внешние силы среды и сопротивление газа.

Такой подход позволил модели очень точно описать ускорения частиц. В разных экспериментах совпадение с реальными данными было выше 99 процентов. Но модель не просто «хорошо подогнала наблюдения». Она позволила отдельно восстановить разные компоненты сил: взаимодействие между частицами, влияние окружающей среды и торможение из-за газа.

После этого исследователи сравнили полученные силы с привычной теоретической моделью – экранированным кулоновским взаимодействием. Согласно ей, длина экранирования должна зависеть в основном от свойств самой плазмы. А заряд частицы должен расти примерно как кубический корень из её массы.

Однако данные показали более сложную картину. Длина экранирования оказалась связана не только со свойствами плазмы, но и с размером взаимодействующих частиц. А зависимость заряда от массы заметно отличалась от стандартной теории и менялась при изменении давления газа.

Авторы отдельно проверили, не является ли это ошибкой модели. Массу частиц они восстановили двумя независимыми способами: через взаимодействия между частицами и через сопротивление газа. Эти оценки хорошо совпали. Поэтому исследователи считают, что обнаруженные отклонения, скорее всего, отражают реальную физику системы.

Это не значит, что прежние модели пылевой плазмы были неверны во всём. Скорее, новая работа показывает их границы. Простые приближения хорошо работают в идеализированных условиях, но в реальном эксперименте – особенно рядом с плазменной оболочкой и при наличии ионных потоков – взаимодействия оказываются сложнее.

Новая работа интересна ещё и тем, что показывает возможную роль машинного обучения в физике. Нейросеть здесь не заменяет теорию и не просто строит прогноз. Она становится инструментом, который помогает увидеть, где теория не совпадает с экспериментом, и подсказывает, что в модели следует уточнить.

Авторы работы считают, что похожий подход можно применять и к другим системам из множества взаимодействующих объектов – от коллоидных частиц до живых клеток или стай животных.