Tapa uma massa de átomos super-resfriados com um campo magnético e você verá "fogos de artifício quânticos" - jatos de átomos disparando em direções aparentemente aleatórias.
Os pesquisadores descobriram isso em 2017 e suspeitavam que poderia haver um padrão nesses fogos de artifício. Mas eles não conseguiram identificá-lo por conta própria. Então, eles entregaram o problema a um computador treinado em correspondência de padrões, capaz de detectar o que não podiam: uma forma pintada pelos fogos de artifício ao longo do tempo, em explosão após explosão de jato atômico. Essa forma? Uma tartaruga divertida.
Os resultados, publicados como relatório em 1º de fevereiro na revista Science, estão entre os primeiros grandes exemplos de cientistas que usam o aprendizado de máquina para resolver problemas de física quântica. Os pesquisadores devem esperar ver mais assistências digitais desse tipo, escreveram os pesquisadores, já que os experimentos de física quântica envolvem cada vez mais sistemas grandes e complexos demais para serem analisados usando apenas a inteligência.
Eis por que a ajuda computadorizada era necessária:
Para criar os fogos de artifício, os pesquisadores começaram com um estado da matéria chamado condensado de Bose-Einstein. Esse é um grupo de átomos levados a temperaturas tão próximas do zero absoluto que se agrupam e começam a se comportar como um superátomo, exibindo efeitos quânticos em escalas relativamente grandes.
Cada vez que um campo magnético atingia o condensado, um punhado de jatos atômicos disparava para longe dele, em direções aparentemente aleatórias. Os pesquisadores fizeram imagens dos jatos, identificando as posições dos átomos no espaço. Mas mesmo muitas dessas imagens colocadas umas sobre as outras não revelaram nenhuma rima ou razão óbvia para o comportamento dos átomos.
via Gfycat
O que o computador viu que os humanos não conseguiram foi que, se essas imagens fossem giradas para ficarem em cima umas das outras, uma imagem clara emergia. Os átomos, em média, tendiam a se afastar dos fogos de artifício em uma das seis direções em relação uma à outra durante cada explosão. O resultado foi que imagens suficientes, giradas e colocadas em camadas da maneira correta, revelaram quatro "pernas" perpendiculares uma à outra, além de uma "cabeça" mais longa entre duas pernas combinadas com uma "cauda" entre as outras duas. . O restante dos átomos estava distribuído de maneira bastante uniforme em três anéis, que formavam a concha da tartaruga.
Isso não era óbvio para os observadores humanos, porque a direção na qual a "tartaruga" era orientada durante cada explosão era aleatória. E cada explosão constituía apenas algumas peças do quebra-cabeça em forma de tartaruga. Foi necessária a infinita paciência de um computador para examinar dados confusos para descobrir como organizar todas as imagens para que a tartaruga emergisse.
Esse tipo de método - liberar as habilidades de reconhecimento de padrões de um computador em um grande e bagunçado conjunto de dados - tem sido eficaz em esforços que vão desde a interpretação dos pensamentos que passam pelo cérebro humano até a identificação de exoplanetas orbitando estrelas distantes. Isso não significa que os computadores estão superando os humanos; as pessoas ainda precisam treinar as máquinas para perceber os padrões, e os computadores não entendem de maneira significativa o que estão vendo. Mas a abordagem é uma ferramenta cada vez mais difundida no kit de ferramentas científicas que agora foi aplicado à física quântica.
Obviamente, assim que o computador aumentou esse resultado, os pesquisadores checaram seu trabalho, usando algumas técnicas antiquadas de caça a padrões já comuns na física quântica. E assim que souberam o que procurar, os pesquisadores encontraram a tartaruga novamente, mesmo sem a ajuda do computador.
Nenhuma dessas pesquisas ainda explica por que os fogos de artifício, com o tempo, exibem a forma da tartaruga, apontaram os pesquisadores. E esse não é o tipo de pergunta que o aprendizado de máquina é adequado para responder.
"O reconhecimento de um padrão é sempre o primeiro passo na ciência; portanto, esse tipo de aprendizado de máquina pode identificar relacionamentos e recursos ocultos, especialmente quando mudamos para tentar entender sistemas com um grande número de partículas", autor principal Cheng Chin, físico da Universidade de Chicago, disse em comunicado.
O próximo passo para descobrir por que esses fogos de artifício formam um padrão de tartaruga provavelmente envolverá muito menos aprendizado de máquina e muito mais intuição humana.
