Para descobrir novas leis da física, IA precisa desaprender teorias atuais

Redação do Site Inovação Tecnológica - 12/06/2026

Duas imagens das simulações usadas neste estudo. Os painéis mostram a mesma região do Universo, mas em diferentes modelos cosmológicos. A imagem superior corresponde ao modelo padrão, enquanto a imagem inferior mostra um Universo com neutrinos massivos e gravidade modificada. As diferenças revelam como mudanças na física subjacente podem afetar a formação e a distribuição de estruturas cósmicas.
[Imagem: Francisco Villaescusa-Navarro]

Só sei o que vocês já sabem

Poucas áreas da atividade humana abrigaram a inteligência artificial generativa com tanto entusiasmo quanto a área acadêmica e os cientistas em geral, tanto nas universidades e institutos de pesquisa quanto nas empresas.

Os físicos não ficaram atrás, e a falta de resultados na busca por uma nova física - explicações que vão além da física atual, cujos modelos e teorias são sabidamente incompletos - fez a comunidade científica acreditar que finalmente tinha encontrado a ferramenta que ajudaria a desvendar os segredos que ainda teimam em se esconder da compreensão atual.

Há, de fato, razões, para entusiasmo, principalmente quando se fala na análise de massas enormes de dados, dos cosmológicos aos resultantes dos impactos de partículas nos grandes colisores.

Mas há um grande problema quando se tenta usar a inteligência artificial para ter novas ideias e explicações: Os modelos de IA são treinados com dados e explicações que já temos, o que significa que eles são quase totalmente dependentes daquilo que já sabemos - inclusive das agregações e interpretações que fazemos dos dados.

Veena Krishnaraj e Adrian Bayer, da Universidade de Princeton, nos EUA, decidiram então verificar esse efeito e tentar encontrar meios de superá-lo. Mas os resultados não foram encorajadores.

Sistema Solar é três vezes mais rápido, contestando teoria cosmológica.
[Imagem: FAST Telescope]

Efeitos inexplicáveis recebem explicação trivial

A inteligência artificial já está sendo amplamente utilizada em cosmologia para analisar o Universo, mas testar novas hipóteses que tentam ir além do modelo cosmológico padrão, conhecido como modelo Lambda-CDM (Λ-CDM), continua sendo extremamente exigente em termos computacionais.

Embora o ΛCDM descreva muitas propriedades do Universo - desde sua expansão até a distribuição das galáxias - os físicos sabem que ele é incompleto: Observações experimentais mostram que fenômenos como neutrinos massivos, comportamentos anômalos da gravidade e as próprias noções de matéria escura e energia escura estão exigindo uma nova física, que tenha explicações que o modelo atual não fornece.

Testar essas alternativas requer a execução de um número enorme de simulações de alta precisão de universos virtuais sob diferentes hipóteses físicas, o que frequentemente demanda recursos computacionais imensos. É aí que os cientistas acreditavam que a inteligência artificial poderia fazer a diferença.

Acontece que os efeitos inexplicáveis pela teoria atual frequentemente se assemelham muito a padrões já explicados pelo modelo cosmológico padrão. Nesses casos, a IA tende a interpretar as novas informações usando categorias aprendidas durante o treinamento, tornando mais difícil - em vez de mais fácil - reconhecer efeitos genuinamente novos.

Os pesquisadores observaram esse comportamento em simulações envolvendo neutrinos massivos. Certos efeitos produzidos pela massa do neutrino se assemelham muito a variações associadas a um parâmetro do modelo ΛCDM conhecido como Sigma 8 (σ8), que descreve a intensidade com que a matéria se agrupa no Universo. Como resultado, a IA não conseguiu distinguir entre as diferentes características dos neutrinos. É o que os especialistas chamam de "transferência negativa".

"A transferência negativa não é aleatória. Ela é impulsionada por degenerescências físicas subjacentes no modelo," detalhou Krishnaraj. "Em outras palavras, diferentes parâmetros físicos podem produzir efeitos observáveis muito semelhantes, dificultando a distinção correta entre eles pela IA. Portanto, isso é algo que precisamos levar em consideração e tentar mitigar."

Dados não confirmam aceleração da expansão do Universo.
[Imagem: NASA]

Aprendizagem por transferência

A equipe já avançou nesse sentido, e testou se uma técnica conhecida como aprendizagem por transferência - um método no qual os sistemas de IA reutilizam o conhecimento adquirido em uma tarefa para acelerar o aprendizado em outra - poderia tornar esse processo mais eficiente.

Para isso, os pesquisadores primeiro treinaram uma rede neural em simulações baseadas no modelo ΛCDM - isso é conhecido como pré-treinamento - e depois a adaptaram a modelos cosmológicos mais complexos, que incluem possíveis novas físicas. "É basicamente um atalho," explicou Bayer. "Normalmente, as pessoas treinam a IA diretamente nas simulações mais custosas computacionalmente. O que fazemos, em vez disso, é usar primeiro simulações ΛCDM mais simples e menos custosas para dar à IA uma ideia do que está acontecendo, e só depois passar para os modelos mais complexos."

De fato, a técnica deu resultados: A aprendizagem por transferência reduziu o número de simulações necessárias em mais de dez vezes, o que é ótimo, embora insuficiente para eliminar a necessidade de supercomputadores mais potentes do que os atuais.

O grande problema é que as simulações mostraram claramente a emergência do fenômeno da transferência negativa, que esteve longe de ser um fenômeno aleatório, como já havia adiantado a pesquisadora: "O pré-treinamento pode acelerar a inferência, mas também pode dificultar o aprendizado de novos fenômenos físicos," concluiu a equipe.

Mais tópicos