Per secoli, le leggi che governano il movimento dei fluidi—dall’aria che scorre sopra l’ala di un aereo alle correnti turbolente degli oceani—hanno sfidato le menti più brillanti. Queste leggi sono descritte dalle equazioni alle derivate parziali di Navier-Stokes, un sistema notoriamente complesso che rimane uno dei sette “Problemi del Millennio” non risolti nella matematica. Ora, un team di ricercatori di Google DeepMind ha utilizzato un approccio innovativo per fare luce su questi enigmi secolari.
Utilizzando una rete neurale grafica (GNN) addestrata su simulazioni complesse di flusso di fluidi, il sistema è riuscito a scoprire “nuove soluzioni sorprendenti” a questi problemi secolari. Questo risultato segna la prima volta che un modello di apprendimento automatico è stato utilizzato per scoprire nuove soluzioni verificabili a una famosa equazione alle derivate parziali, secondo il team di DeepMind. (vedi Google DeepMind)
Questa scoperta non è solo una curiosità accademica. Una comprensione più profonda della dinamica dei fluidi ha implicazioni reali significative, influenzando tutto, dall’aerodinamica alla previsione del tempo, dall’ingegneria navale all’astrofisica. La capacità di modellare e prevedere con maggiore precisione il comportamento dei fluidi potrebbe portare alla progettazione di aerei e automobili più efficienti in termini di carburante, allo sviluppo di modelli climatici e meteorologici più accurati e a nuove innovazioni in numerosi campi scientifici e industriali.
Al centro della sfida ci sono fenomeni noti come “singolarità” o “blow-up”, situazioni teoriche in cui quantità come velocità o pressione potrebbero diventare infinite. Sebbene apparentemente astratti, questi scenari aiutano gli scienziati a comprendere i limiti fondamentali delle equazioni. L’IA di DeepMind si è dimostrata abile nell’identificare schemi nei dati che hanno portato alla scoperta di una nuova famiglia di questi “blow-up” matematici.
I risultati dell’IA sono stati descritti come “più di una semplice curiosità scientifica” e sono stati successivamente “matematicamente provati come corretti”. Se confermato, rappresenta un passo significativo in avanti nel modo in cui l’intelligenza artificiale può essere applicata alla scienza fondamentale. Invece di limitarsi a elaborare numeri più velocemente di un supercomputer, l’IA ha agito come un partner creativo, identificando schemi sottili che hanno guidato i matematici umani verso una scoperta verificabile.
Il processo ha coinvolto l’addestramento dell’IA per individuare connessioni e comportamenti nelle simulazioni di fluidi che potrebbero sfuggire all’osservazione umana. Secondo Yongji Wang, primo autore dello studio e ricercatore post-dottorato alla NYU, “Incorporando intuizioni matematiche e raggiungendo una precisione estrema, abbiamo trasformato le PINN [Physics-Informed Neural Networks] in uno strumento di scoperta che trova singolarità elusive”.
Questo approccio collaborativo dove l’IA fornisce intuizioni e direzioni che vengono poi rigorosamente verificate dagli esperti umani viene salutato come un potenziale nuovo paradigma per la ricerca scientifica. Suggerisce un futuro in cui i sistemi di IA lavorano insieme agli scienziati per affrontare sfide di lunga data in matematica, fisica e ingegneria che finora sono state fuori portata.
Sebbene la soluzione completa alle equazioni di Navier-Stokes rimanga una sfida monumentale, questa scoperta dimostra che l’intelligenza artificiale potrebbe essere uno strumento chiave per finalmente risolverla.