
Momento mágico: essa imagem simboliza o algoritmo descobrindo a mecânica Hamiltoniana
Se a gente já fica feliz com um programa que manda os dados que ele acabou de coletar direto para o Excel (e nós ficamos realmente felizes com isso), imagine se ele fizesse o serviço até o fim, aproveitando o embalo pra já ir te adiantando a discussão e conclusão do seu paper. (Ou, o que seria mais provável, já fosse te adiantando que seus dados não são grande coisa e você vai ter que fazer tudo de novo, provavelmente com uma risadinha sarcástica.)
Pois isso pode estar mais perto do que a gente imagina depois do que um pessoal da Cornell fez: eles encheram os computadores de dados sobre movimentos pendulares (desde aquele pêndulo clássico que você viu na sua primeira aula de movimento oscilatório até pêndulos duplos caóticos) e esperou o computador deduzir as leis naturais por trás desses movimentos. O que humanos levaram centenas de anos pra descobrir, o programa resolveu em um dia.
A essência da coisa é o famoso data-mining, ou seja, a prospecção dos dados. Ok, o software tem um zilhão de informações a seu alcance, mas o que ali é realmente relevante? Como encontrar padrões estáveis e significativos, que podem levar a formulação de leis naturais? Esse foi o trabalho dos físicos da Cornell. Eles usaram a regressão simbólica, um método baseado na computação evolutiva, que tem um rationale familiar a qualquer biólogo. Enquanto as regressões lineares e não lineares tradicionais encontram os parâmetros para uma equação de uma dada forma, a regressão simbólica procura ao mesmo tempo os parâmetros e a forma da equação. Expressões vão sendo formadas randomicamente usando bloquinhos matemáticos básicos (+, -, seno, cosseno, constantes e variáveis de estado). O algoritmo então retém as equações que modelam os dados experimentais melhor do que as outras, e abandona soluções que não parecem promissoras. A cada “geração”, os “indivíduos” com maior fitness são escolhidos, e deixam “descendentes” que vão sendo selecionados para melhor explicarem os dados experimentais, como um criador de bois vai escolhendo aqueles mais gordinhos, ou as vacas que dão mais leite (desculpem, sou bióloga, é inevitável).
O penúltimo parágrafo é bem explicativo:
“Nós usamos essa abordagem para detectar leis de conservação não-linear de energia, as leis de Newton, invariáveis geométricas (…) em diversos sistemas, sem conhecimento prévio sobre física, cinemática ou geometria. As expressões analíticas concisas que nós encontramos são de fácil interpretação humana e ajudam a revelar a física por trás dos fenômenos observados. Existem muitas aplicações para essa abordagem, em áreas que vão da biologia de sistemas à cosmologia, onde gaps teóricos existem a despeito da abundância de dados”.
Ganha um doce quem matar a charada: se o penúltimo parágrafo do trabalho exalta o programa, então o último exalta… a nós, claro. Parece que o pessoal já ficou com medo de máquinas à espreita para roubar o seu emprego.
Digamos que a humanidade tem um certo histórico nesse ramo.
(O artigo original está aqui e é absolutamente fantástico. Os editores também recomendam esse outro artigo da mesma edição que mais uma vez lembra – a quem? – como nós somos mais importantes do que as máquinas.)