Un’intelligenza artificiale ha scoperto nuove forze tra le particelle del plasma

Il team della Emory University, in uno studio pubblicato su PNAS, ha progettato una rete neurale capace di identificare con oltre il 99% di accuratezza le forze non-reciproche che governano il plasma polveroso.

La notizia arriva dal campus di Atlanta ed è stata diffusa dalla Emory University a partire dal lavoro pubblicato su Proceedings of the National Academy of Sciences (PNAS) il 31 luglio 2025 con il titolo «Physics-tailored machine learning reveals unexpected physics in dusty plasmas». Gli autori sono Wentao Yu, Eslam Abdelaleem, Ilya Nemenman e Justin C. Burton, un gruppo che ha unito competenze di fisica sperimentale e fisica teorica attorno a un problema che resiste da decenni a un trattamento rigoroso: la descrizione delle forze non-reciproche nel plasma polveroso. Il risultato è duplice. Da un lato, un’accuratezza superiore al 99% nella modellazione di queste interazioni. Dall’altro, la correzione di ipotesi teoriche che erano date per acquisite nella comunità scientifica.

Il punto più interessante non riguarda solo il risultato numerico ma la natura del metodo. La rete neurale costruita dal team non è un sistema opaco che produce previsioni senza rivelare il proprio funzionamento. È un’architettura trasparente, progettata affinché i vincoli fisici siano esplicitamente codificati al suo interno. Burton lo ha detto con chiarezza nel comunicato Emory: «Il nostro metodo di AI non è una scatola nera: comprendiamo come e perché funziona. Il framework che fornisce è inoltre universale». Questa trasparenza cambia la postura del ricercatore rispetto allo strumento, perché l’IA diventa un dispositivo capace di suggerire ipotesi fisiche verificabili, non un generatore di correlazioni statistiche da accettare sulla fiducia.

Il plasma polveroso, un laboratorio naturale per la materia complessa

Il plasma è comunemente definito come il quarto stato della materia. Si ottiene quando un gas viene ionizzato, cioè quando gli elettroni si separano dai nuclei atomici creando una miscela di particelle cariche libere di muoversi in maniera indipendente. Secondo i dati diffusi da Emory University, il plasma costituisce circa il 99,9% della materia visibile dell’universo, dalla corona solare ai fulmini atmosferici terrestri, passando per le nebulose interstellari. Il plasma polveroso, o dusty plasma, rappresenta una variante specifica di questo stato, caratterizzata dalla presenza di particelle solide macroscopiche cariche elettricamente che si muovono all’interno della miscela di ioni ed elettroni.

Questi sistemi sono più diffusi di quanto si possa pensare. Si trovano negli anelli di Saturno, dove grani di ghiaccio e polvere acquisiscono una carica netta interagendo con la radiazione solare. Appaiono nella ionosfera terrestre. Sulla Luna, come ricordato da Burton, la debole gravità permette alla polvere carica di fluttuare sopra la superficie, motivo per cui le tute degli astronauti delle missioni Apollo si ritrovavano sistematicamente ricoperte di regolite. Sul pianeta Terra il plasma polveroso si forma durante gli incendi boschivi, quando la fuliggine si mescola al fumo e le particelle cariche possono interferire con le trasmissioni radio, complicando le comunicazioni dei soccorritori.

Dal punto di vista sperimentale, il plasma polveroso offre un vantaggio rispetto ad altri sistemi complessi: può essere ricreato in laboratorio in condizioni controllate e osservato direttamente. Il laboratorio di Burton alla Emory University lavora da anni in questa direzione, sospendendo minuscole particelle di plastica in una camera a vuoto riempita di plasma. Regolando la pressione del gas è possibile riprodurre condizioni che simulano ambienti reali e seguire il comportamento collettivo delle particelle sotto diverse sollecitazioni.

Forze non-reciproche e la rottura della terza legge di Newton

Il concetto di forza non-reciproca è centrale per comprendere la portata della scoperta. Nella fisica classica, la terza legge di Newton stabilisce che a ogni azione corrisponde una reazione uguale e contraria. Nel plasma polveroso questo principio si infrange o, più correttamente, emerge come descrizione effettiva di un’interazione mediata dal mezzo che la separa dal quadro newtoniano. Quando una particella si muove attraverso il plasma, genera una scia di ioni che ne modifica localmente la distribuzione di carica. Questa scia influenza la particella adiacente in modo diverso da quello in cui la seconda particella influenza la prima.

L’analogia scelta dal team di ricerca è quella di due barche che attraversano un lago. Ciascuna genera onde che raggiungono l’altra, ma la posizione relativa delle imbarcazioni determina se la scia attrae, respinge o modifica in modo asimmetrico il movimento dell’altra. Nel plasma polveroso, secondo quanto Nemenman ha spiegato nel comunicato Emory, una particella che precede attrae la particella che la segue, mentre quella che segue respinge sempre quella che la precede. «Questo fenomeno era atteso da alcuni, ma ora abbiamo un’approssimazione precisa che prima non esisteva», ha precisato il fisico teorico.

Una rete neurale progettata su misura

Il nodo metodologico del lavoro riguarda proprio la progettazione dell’architettura di apprendimento automatico. I modelli linguistici di larga scala, come quelli su cui si basa ChatGPT, vengono addestrati su quantità enormi di dati estratti dal web. In un esperimento di laboratorio su un sistema nuovo, i dati disponibili sono di ordini di grandezza inferiori. «Quando si sonda qualcosa di nuovo, non si dispone di molti dati per addestrare un’IA», ha spiegato Nemenman al comunicato Emory. «Dovevamo progettare una rete neurale in grado di essere addestrata con una piccola quantità di dati e di imparare comunque qualcosa di nuovo».

La soluzione è stata codificare esplicitamente nella rete le simmetrie fisiche fondamentali del sistema. Il modello finale scompone il moto delle particelle in tre contributi indipendenti: l’effetto della velocità, cioè la forza di trascinamento viscoso (drag) esercitata dal gas; le forze ambientali, come la gravità; e le forze interparticolari, oggetto principale dell’indagine. Questa separazione non è un dettaglio tecnico minore. Permette alla rete di apprendere solo ciò che non è noto a priori, lasciando che i contributi già descritti dalla fisica classica siano gestiti come vincoli strutturali.

Il percorso di progettazione ha richiesto oltre un anno di incontri settimanali fra i ricercatori. Burton, Nemenman e i due dottorandi Yu e Abdelaleem hanno lavorato iterativamente sull’architettura, testando diverse configurazioni finché non è emersa la struttura corretta. «Una volta individuata la struttura giusta della rete, l’addestramento si è rivelato abbastanza semplice», ha sintetizzato Nemenman. La rete finale funziona su un normale computer desktop, un dato non trascurabile che separa questo lavoro dalla narrazione dominante secondo cui l’IA scientifica richiederebbe sempre infrastrutture di calcolo mastodontiche.

La tomografia laser per ricostruire il moto 3D

La qualità dei dati sperimentali è l’altro pilastro del lavoro. Burton e Yu hanno sviluppato una tecnica di imaging tomografico per tracciare il moto tridimensionale delle particelle nel plasma polveroso. Un fascio laser espanso a forma di lama di luce scorre verticalmente nella camera a vuoto, illuminando una sezione del sistema. Una telecamera ad alta velocità cattura le immagini delle particelle attraversate dal fascio. Le singole acquisizioni vengono poi ricostruite in un volume tridimensionale che permette di individuare la posizione di decine di particelle, su scale dell’ordine del centimetro e per intervalli temporali di diversi minuti.

Il dataset così ottenuto è di dimensioni modeste rispetto agli standard dell’apprendimento profondo ma di qualità estremamente elevata. Ogni traiettoria è una sequenza temporale ordinata, con rumore ridotto e condizioni sperimentali note. È proprio su questo tipo di dati, ricchi di informazione per unità di campione, che una rete neurale vincolata dalla fisica può esprimere il proprio potenziale. Il confronto con gli approcci basati su simulazioni numeriche è esplicito. Nelle simulazioni il risultato è noto in partenza e la rete impara a riprodurlo. Sui dati di laboratorio, la rete estrae regolarità da un processo fisico reale, del quale non si conosce con esattezza la descrizione matematica.

Le assunzioni teoriche corrette dai dati

Il cuore scientifico dello studio risiede nelle correzioni che il modello ha portato alla descrizione teorica standard del plasma polveroso. Due in particolare meritano attenzione. La prima riguarda la carica elettrica delle particelle di polvere. Una teoria consolidata sostiene che la carica acquisita da un grano di polvere sospeso nel plasma cresca in proporzione diretta alle sue dimensioni. I risultati del gruppo Emory mostrano invece che la relazione è più articolata: le particelle più grandi portano effettivamente più carica, ma il legame dipende anche dalla densità e dalla temperatura del plasma. Una descrizione puramente geometrica è dunque un’approssimazione troppo grossolana.

La seconda correzione riguarda il decadimento spaziale delle forze interparticolari. L’ipotesi largamente adottata è che queste forze si attenuino esponenzialmente con la distanza, secondo un profilo indipendente dalle dimensioni delle particelle. Il modello della rete neurale mostra invece che la dimensione delle particelle influenza la rapidità del decadimento. Le conseguenze si estendono oltre il singolo esperimento. Le forze effettive che regolano l’ordinamento spaziale e dinamico del plasma polveroso risultano più sensibili alla composizione microscopica del sistema di quanto la teoria permettesse di ipotizzare.

Nemenman ha riassunto il punto nel comunicato Emory: «Possiamo descrivere queste forze con un’accuratezza superiore al 99%. Quello che è ancora più interessante è che mostriamo come alcune assunzioni teoriche comuni su queste forze non siano del tutto accurate. Siamo in grado di correggere queste imprecisioni perché ora possiamo vedere ciò che accade con un livello di dettaglio squisito». Il team ha validato le conclusioni con esperimenti aggiuntivi mirati a mettere alla prova le relazioni identificate dalla rete.

Dal plasma ai sistemi viventi

L’aspetto più intrigante del lavoro riguarda la generalizzabilità del metodo. Nemenman è un biofisico teorico che si occupa di moto collettivo nei sistemi viventi, dalla migrazione cellulare nei tessuti umani ai pattern di aggregazione microbica. La domanda di fondo è come un insieme ordinato di comportamenti emerga dall’interazione di elementi individuali. «Questioni generali su come un intero sistema emerga dalle interazioni di piccole parti sono molto importanti», ha spiegato il ricercatore al comunicato Emory. «Nel cancro, per esempio, si vuole capire come l’interazione delle cellule possa determinare la separazione di alcune di esse da un tumore e il loro spostamento verso un nuovo sito, con lo sviluppo di metastasi».

Il plasma polveroso rappresenta, in questa prospettiva, un banco di prova ideale. È un sistema complesso ma più semplice di un organismo vivente, in cui è possibile controllare le variabili sperimentali e verificare la bontà delle inferenze della rete. Se il metodo funziona qui, lo stesso approccio può essere esteso a colloidi industriali come vernici e inchiostri, a sospensioni attive, a popolazioni di cellule, ad aggregati di batteri. L’architettura della rete, con la separazione dei contributi in termini di velocità, forze esterne e forze interparticolari, è sufficientemente generale da essere trasferita a contesti molto diversi.

Il tema del moto collettivo nei sistemi viventi è un campo di ricerca in forte espansione. La Konstanz School of Collective Behavior in Germania, dove Nemenman terrà un corso a breve, riunisce studiosi che indagano fenomeni che vanno dagli stormi di uccelli ai banchi di pesci fino alle folle umane. L’estensione degli strumenti sviluppati sul plasma polveroso a questi ambiti richiederà adattamenti non banali, ma la struttura concettuale è trasferibile. La capacità di separare contributi noti da contributi da apprendere è una caratteristica generalmente utile, indipendente dal dominio applicativo.

Un esempio di IA scientifica non black-box

La letteratura sull’intelligenza artificiale in fisica è dominata da due categorie di applicazioni. Da una parte ci sono i modelli surrogati, addestrati a riprodurre simulazioni numeriche costose per accelerarne l’uso. Dall’altra ci sono i modelli predittivi puri, utilizzati per classificare eventi o prevedere grandezze a partire da configurazioni iniziali. In entrambi i casi, l’interpretabilità del modello è spesso secondaria rispetto alle prestazioni. Il lavoro del gruppo Emory si colloca in una terza categoria, meno frequentata: quella dei modelli che scoprono leggi fisiche nuove e lo fanno in modo verificabile.

Nemenman ha osservato nel comunicato Emory che «nonostante tutto il dibattito su come l’IA stia rivoluzionando la scienza, ci sono pochissimi esempi in cui qualcosa di fondamentalmente nuovo è stato scoperto direttamente da un sistema di IA». La constatazione è utile per contestualizzare il risultato. La PNAS ha pubblicato in passato lavori simili nel campo della materia attiva e della meccanica dei fluidi, ma la combinazione di esperimento di laboratorio, rete neurale vincolata dalla fisica e correzione di assunzioni teoriche consolidate è relativamente rara. Il DOI del lavoro, 10.1073/pnas.2505725122, identifica il contributo in modo univoco.

Il ruolo dell’esperto umano nel ciclo di scoperta

Una delle considerazioni più nette del gruppo riguarda il rapporto fra competenza umana e sistema automatico. Burton ha insistito sul punto nel comunicato diffuso da Emory: «Ci vuole pensiero critico per sviluppare e utilizzare strumenti di IA in modi che producano avanzamenti reali nella scienza, nella tecnologia e nelle discipline umanistiche». La progettazione della rete ha richiesto decisioni qualificate su quali simmetrie imporre, come parametrizzare il drag, come separare i contributi ambientali. L’interpretazione dei risultati, che ha permesso di riconoscere la correzione della legge di scala della carica, è stata possibile solo perché i ricercatori disponevano di un quadro teorico robusto con cui confrontare le inferenze del modello.

Questo aspetto ha implicazioni per il modo in cui si pensa il rapporto fra IA e ricerca. Gli strumenti di apprendimento automatico possono amplificare la capacità di vedere regolarità nei dati, ma non sostituiscono il giudizio scientifico su cosa vada cercato e come interpretarlo. I dati puri non parlano: le domande che si pongono al modello, le simmetrie che si decidono di imporre, le validazioni che si scelgono di eseguire sono tutte operazioni che richiedono conoscenza del dominio. La scatola nera è un’illusione metodologica che raramente produce scoperte riproducibili.

Finanziamenti e prospettive di ricerca

Il lavoro è stato finanziato principalmente dalla National Science Foundation statunitense, con un sostegno aggiuntivo dalla Simons Foundation. Vyacheslav Lukin, program director del programma di fisica dei plasmi della NSF, ha sottolineato nel comunicato ufficiale l’importanza interdisciplinare del progetto: «Questo progetto serve come ottimo esempio di collaborazione interdisciplinare in cui lo sviluppo di nuova conoscenza nella fisica dei plasmi e nell’IA potrebbe portare a ulteriori avanzamenti nello studio dei sistemi viventi». Le ricadute attese toccano, secondo il dirigente, la capacità di descrivere, riconoscere, comprendere e controllare le interazioni collettive in sistemi complessi.

Il gruppo di Emory ha già delineato alcune direzioni di sviluppo. La prima riguarda l’estensione a plasmi polverosi in condizioni più estreme, dove le asimmetrie delle forze potrebbero essere ancora più pronunciate. La seconda riguarda l’applicazione del framework a sistemi colloidali, con particolare attenzione alle sospensioni attive in cui le particelle consumano energia per muoversi autonomamente. La terza, più ambiziosa, guarda ai sistemi cellulari, in cui le interazioni fra elementi sono mediate da segnali chimici e meccanici di grande complessità.

Wentao Yu, primo autore dello studio, ha conseguito il dottorato a Emory e prosegue ora la carriera come postdoctoral fellow al California Institute of Technology. Eslam Abdelaleem, anch’egli laureato a Emory, ha assunto una posizione analoga presso il Georgia Tech. La distribuzione del gruppo su più istituzioni statunitensi suggerisce che il metodo sviluppato in Georgia troverà applicazioni in laboratori diversi, con contaminazioni ulteriori fra fisica sperimentale, teorica e scienze biologiche.

Il contesto più ampio della fisica guidata dai dati

L’idea di estrarre leggi fisiche dai dati non è nuova. Negli anni Settanta e Ottanta sono stati sviluppati metodi di identificazione di sistemi dinamici che, a partire da serie temporali, cercavano di ricostruire le equazioni di moto. Più recentemente, tecniche come lo sparse identification of nonlinear dynamics hanno mostrato come sia possibile, sotto certe ipotesi, risalire a equazioni differenziali parsimoniose a partire da dati sperimentali. L’apprendimento profondo ha aggiunto un livello di flessibilità in più, permettendo di rappresentare funzioni complesse senza imporre a priori una forma parametrica rigida.

Il contributo del gruppo Emory si inserisce in questa traiettoria con una specificità metodologica. La rete neurale non cerca di imparare tutto da zero. Incorpora esplicitamente il principio di conservazione del momento, la simmetria di Galileo, il decadimento spaziale delle forze fisiche. L’apprendimento si concentra sulle componenti realmente ignote, cioè sulle forme funzionali delle interazioni non-reciproche. Questo approccio riduce lo spazio delle ipotesi che la rete deve esplorare, rende l’addestramento più stabile con dataset limitati e produce modelli interpretabili anche dopo l’addestramento.

Le ricadute attese si estendono oltre la fisica dei plasmi. La modellazione di sistemi multi-corpo è un problema ricorrente in fisica della materia condensata, biofisica, scienza dei materiali, chimica teorica. Ogni volta che un sistema è costituito da molte unità interagenti e la natura delle interazioni non è nota a priori, lo schema sviluppato a Emory offre una traccia metodologica replicabile. La disponibilità pubblica del codice, che accompagna molte pubblicazioni PNAS, permetterà ad altri gruppi di riprodurre i risultati e adattare la rete a sistemi differenti.

Un tassello per l’esplorazione dei molti corpi

La fisica dei sistemi a molti corpi resta uno dei territori più ostici della ricerca contemporanea. La difficoltà deriva dal fatto che il comportamento collettivo emerge da interazioni locali, ma non può essere ricondotto in modo semplice a queste ultime. Le transizioni di fase, i fenomeni di auto-organizzazione, la turbolenza, la formazione di strutture spaziali ordinate in sistemi dissipativi sono manifestazioni di questa complessità. Strumenti in grado di estrarre, a partire da dati sperimentali ben calibrati, le interazioni effettive fra gli elementi costituenti sono preziosi perché permettono di costruire modelli a basso livello su cui innestare teorie più ampie.

Il lavoro di Yu, Abdelaleem, Nemenman e Burton mostra che l’integrazione fra tecniche sperimentali avanzate (la tomografia laser ad alta velocità), progettazione mirata di architetture di apprendimento e conoscenza teorica del dominio può produrre risultati scientifici solidi anche su sistemi che sfuggono a una trattazione analitica completa. Il plasma polveroso, con la sua natura di sistema intermedio fra fluidi e solidi, fra ordine e disordine, continua a essere un banco di prova privilegiato per questi approcci. Le prossime applicazioni ai sistemi viventi, annunciate dal gruppo, indicheranno se il metodo mantiene la propria robustezza quando la fisica sottostante è meno nota e più intricata.

Il risultato pubblicato su PNAS rappresenta un tassello in una transizione più ampia della ricerca scientifica. L’apprendimento automatico sta smettendo di essere soltanto uno strumento di previsione e di classificazione per diventare un acceleratore di scoperta delle leggi fondamentali. La condizione per questa evoluzione è che i modelli siano interpretabili, vincolati da principi fisici e validati da esperimenti di laboratorio. Lo studio di Emory soddisfa queste tre condizioni e offre un esempio concreto di come la collaborazione fra sperimentali, teorici e specialisti di apprendimento automatico possa produrre avanzamenti che nessuno dei tre gruppi avrebbe ottenuto da solo.