编辑丨%
美丽的星云、星环，其中广泛存在的组成成分——尘埃等离子体，是一种由离子、电子和带电尘埃颗粒组成的混合体系，广泛分布在星际空间中，其粒子间通过等离子体介导的库仑力相互作用，具有非保守、非互易等复杂特性。
对于如此精细而复杂的星间系统，传统理论难以精准描述其相互作用规律，尤其是偏离平衡态的场景。不过，借由美国埃默里大学（Emory University）物理定制的 ML 模型，物理学家得以揭示尘埃等离子体中意想不到的物理现象。
他们的研究以「Physics-tailored machine learning reveals unexpected physics in dusty plasmas」为题，于 2025 年 7 月 31 日刊登在《PNAS》。
论文链接：https://www.pnas.org/doi/10.1073/pnas.2505725122
物理量身定制的 AI
这项工作是少见的不使用 AI 作为数据处理或预测工具，而是发现支配自然世界的新物理定律的实例之一。如上文所述，研究团队构建的不是通用神经网络，而是一种「物理定制型AI」（physics-tailored machine learning, PTML），它融合了粒子间库仑力、电场作用和阻尼等理论知识，构建神经网络的输入层与嵌套结构。
这样设计的结果是，模型不仅在拟合观测数据时更高效，而且在结果分析阶段具有物理可解释性（interpretable ML）。换句话说，它不是黑盒推理，而是可以「讲清楚为什么」的AI。
简单些来说，实验并非是让模型「黑箱」地预测下一帧位置，而是把牛顿第二定律拆成三项——粒子间相互作用、环境外力和气体阻尼——各用一个子网络独立逼近，输入只保留「必须知道」的量。
这样既保留了 xy 平面的平移对称性，又允许 z 方向的对称破缺（离子尾迹效应），从而把非互易力显式地编码进网络结构。
模型基于 3D 粒子轨迹进行训练，考虑了固有的对称性、非同质粒子，并以极高的精度（R²>0.99）学习了粒子之间的有效非对称力。
图 1：实验和数据工作流概述。
为了解释这些有效非对称力，研究人员使用了两个船在湖面上移动的类比。每艘船产生的波纹模式会影响另一艘船的运动。一艘船的波纹可能会排斥或吸引另一艘船，这取决于它们的相对位置——例如，船只是否并排航行或一艘船在另一艘船后面。
一种长期存在的理论认为，尘埃颗粒的半径越大，粘附在该颗粒上的电荷就越大，与颗粒的半径成正比。但研究者证明这并不完全正确，虽然粒子越大，电荷就越大，但这种增加并不一定与半径成正比。这取决于等离子体的密度和温度。
发现与验证
他们验证了尘埃颗粒之间非倒易力和吸引力的理论预测，确定了屏蔽长度对相互作用颗粒大小的意外依赖性，并确定了与 OML 理论的意外偏差。
在实验中，等离子体粒子表现出在弱阻尼下仍持续存在的周期波动。按照经典耗散理论，这类系统应当迅速耗散能量、进入静态状态。
图 2：使用 Eq. 4 在 z = 0.03 mm 处推断出的质量、电荷和屏蔽长度测量值。
但AI模型识别出了一种以前未被显式定义的行为：
波动并非来源于外部扰动，而是由于电荷-速度之间的微弱耦合导致的系统内反馈机制。
换句话说，是系统自己在「内部吵架」而不是「被打扰」了。
研究者随后用独立数值模拟与简化理论模型对AI发现进行验证，发现确实存在该机制——这标志着AI模型在不被告知正确答案的前提下，主动揭示了新的物理过程。
可解释AI走进理论物理核心
这项研究不仅解决了一个实验现象的理论悖论，更重要的是，它带来了 AI 在理论物理中的更多发展方向。AI 可作为「科学假设生成器」，不止用于拟合已有数据，将可解释性结构与物理假设嵌入模型设计，能让AI提出有物理意义的新想法。
不依赖于海量的数据作为训练或者背题模板，而是利用结构化优势放大信息密度——这也许才是研究团队想要揭示的事情。
]]>