A inteligência artificial consegue descobrir uma nova Física? Talvez precise reaprender tudo primeiro

Nos últimos anos, alguns dos principais nomes da área de inteligência artificial (IA), como Sam Altman, Jensen Huang e Elon Musk, passaram a destacar a importância da Física para o avanço da área. A ideia é que modelos cada vez melhores sejam capazes de aprender relações físicas a partir de dados observacionais e experimentais. Isso permitiria construir sistemas que ajudariam em descobertas e em novas hipóteses científicas.

Apesar disso, ensinar Física para modelos de IA continua sendo um desafio porque muitos problemas físicos envolvem relações complexas, múltiplas escalas espaciais e temporais e incerteza. Por esse motivo, universidades, centros de pesquisa e empresas vêm investindo no desenvolvimento de arquiteturas capazes de incorporar conhecimento físico diretamente durante o treinamento. Essas abordagens incluem desde physics-informed neural networks até modelos fundamentados em simulações numéricas e aprendizado simbólico.

Um novo estudo sugere que as técnicas atuais podem apresentar uma limitação quando o objetivo é descobrir uma nova Física. Os pesquisadores analisaram métodos de aprendizado conhecidos como transfer learning, nos quais modelos reutilizam conhecimentos adquiridos anteriormente. Embora essa estratégia reduza os custos computacionais, a IA pode aprender os modelos físicos atuais tão bem que acaba tendo dificuldade para identificar fenômenos além deles.

Simulações cosmológicas

Um exemplo de como esse processo é usado na Física é como as simulações cosmológicas são realizadas. Essas simulações são pesadas em custo computacional porque precisam reproduzir a evolução do Universo ao longo de bilhões de anos. Essas simulações acompanham a dinâmica da matéria escura, do gás interestelar, da formação de estrelas, da evolução de galáxias e da influência da energia escura. Isso resulta em uma quantidade grande de operações matemáticas executadas.

O custo computacional também aumenta porque pequenas mudanças nos parâmetros cosmológicos exigem novas simulações. É necessário testar diferentes cenários envolvendo matéria escura, energia escura, formação galáctica e condições iniciais para comparar os resultados. O tempo necessário pode variar de dias a meses, dependendo da resolução usada e da complexidade do sistema, para cada uma das simulações.

Uso de IA

Por esse motivo, o desenvolvimento de métodos capazes de acelerar essas simulações tornou-se uma prioridade para físicos e astrofísicos. A IA tem surgido como uma ferramenta promissora para acelerar simulações cosmológicas. Em vez de resolver diretamente todas as equações, modelos de IA podem aprender a reproduzir determinados processos a partir de grandes conjuntos de simulações já existentes. Em alguns casos, simulações que exigiriam horas ou dias de processamento podem ser realizadas em segundos ou minutos.

A principal vantagem é a possibilidade de explorar um número muito maior de hipóteses e cenários físicos. Como o custo computacional é reduzido, torna-se viável testar diferentes valores de parâmetros. Além disso, modelos de IA podem identificar padrões nos dados e apontar regiões do espaço de parâmetros que eram ignoradas anteriormente. Essa capacidade acelera o processo científico e ajuda a entender melhor os dados junto com a exploração de mais cenários.

O problema atual

Em novo artigo, pesquisadores treinaram uma rede neural usando transfer learning e dados de simulações do modelo cosmológico padrão ΛCDM. Posteriormente, essa mesma rede foi adaptada para estudar cenários mais complexos que incluem possíveis extensões da Física conhecida. Os resultados mostraram que essa estratégia pode reduzir em mais de uma ordem de grandeza o número de simulações necessárias. No entanto, os pesquisadores descobriram algumas limitações quando o objetivo é encontrar fenômenos novos.

O problema ocorre porque a IA tende a interpretar novas informações usando os padrões que aprendeu anteriormente durante o pré-treinamento. Esse fenômeno, conhecido como negative transfer, surge quando sinais produzidos por uma possível nova física se parecem com efeitos já presentes no modelo cosmológico padrão. No estudo, os pesquisadores observaram esse comportamento em simulações de neutrinos massivos em que os efeitos foram confundidos com variações de parâmetros já conhecidos do modelo ΛCDM.

Transfer learning

Como consequência, o artigo mostrou que a rede neural teve dificuldade em separar os dois cenários e identificar corretamente o novo efeito físico. Isso mostra a necessidade de novas técnicas que não dependam tanto dos dados de entrada. O nome negative transfer vem de transfer learning, que é uma técnica que depende dos dados de entrada. Em vez de começar o treinamento do zero, a rede neural reaproveita padrões, representações e relações aprendidas anteriormente.

Na Física, o transfer learning tem sido bastante usado para reduzir o custo computacional de problemas que envolvem simulações custosas. Essa estratégia permite explorar um número muito maior de hipóteses sem a necessidade de executar outras simulações completas ou alimentar novamente o modelo do zero. No entanto, o novo estudo mostra como o transfer learning e técnicas semelhantes podem acabar atrapalhando novas descobertas.

Referência da notícia

Krishnaraj et al. 2026 Transfer Learning Beyond the Standard Model Journal of Cosmology and Astroparticle Physics