Gli scienziati dell’EPFL hanno sviluppato un’intelligenza artificiale in grado di simulare sistemi complessi rispettando le leggi fondamentali della fisica. Il segreto sta nella terza legge di Newton.
L’intelligenza artificiale può anche ottenere risultati brillanti in molti campi, ma fatica ancora a seguire le leggi fondamentali della fisica. Mentre gli esseri umani sanno intuitivamente che gli oggetti cadono, rimbalzano o trasmettono forza e possono trasferire le loro conoscenze tra oggetti diversi, l’intelligenza artificiale inciampa. Questo ostacolo è particolarmente frustrante per gli scienziati e gli ingegneri: i loro programmi di simulazione più potenti si perdono quando cercano di collegare i principi fisici fondamentali per prevedere fenomeni complessi che si evolvono nel tempo, come i movimenti umani, le collisioni tra particelle e gli ingranaggi delle macchine industriali o dei robot. I computer finiscono per produrre previsioni fisicamente incoerenti sul comportamento dei sistemi con il passare del tempo e l’accumularsi degli errori. I modelli di simulazione classici, invece, seguono rigorosamente le regole della fisica, ma richiedono tempi e potenze di calcolo difficilmente sostenibili con l’aumentare del numero di oggetti o interazioni. Inoltre, tendono a impantanarsi quando si tratta di affrontare situazioni completamente nuove.
Gli scienziati del Laboratorio di Manutenzione Intelligente e Sistemi Operativi (IMOS) dell’EPFL hanno sviluppato un nuovo algoritmo chiamato Dynami-CAL GraphNet, che costringe l’intelligenza artificiale ad aderire in modo permanente alle leggi della fisica fondamentale.
Incorporando la terza legge di Newton, l’IA passa da un algoritmo che cerca di indovinare il comportamento fisico degli oggetti sulla base di statistiche a un sistema costruito per rispettarla
Vinay Sharma, dottorando del Laboratorio IMOS
Incorporare la terza legge di Newton nell’architettura dell’IA
Nel mondo tangibile, non possiamo evitare di scontrarci con la terza legge di Newton, che afferma che per ogni azione c’è una reazione uguale e contraria. Quando camminiamo, la spinta sul terreno ci spinge in avanti; quando un oggetto colpisce un muro, rimbalza indietro; o una macchina reagisce esercitando una forza opposta sul motore che avviamo. Questo pilastro della fisica è universale: si applica tanto ai granelli di sabbia quanto al corpo umano, alle macchine o alle molecole. Le AI a rete neurale grafica, come quella utilizzata dagli scienziati dell’IMOS, mappano virtualmente gli oggetti su punti e le relazioni tra di essi su bordi. Sono quindi ideali per modellare efficacemente sistemi composti da molti elementi interagenti. I ricercatori hanno scritto la terza legge di Newton direttamente nell’architettura dell’IA, costringendo il sistema a muoversi secondo la realtà. Questa programmazione impedisce al sistema di produrre forze irrealistiche o incoerenti, anche di fronte a situazioni nuove. "Questo trasforma l’IA da un programma che cerca di indovinare il comportamento fisico degli oggetti sulla base di statistiche a un sistema costruito per rispettarlo", spiega Vinay Sharma, dottorando presso il Laboratorio IMOS. "Questo approccio non sostituisce tutte le equazioni della fisica, ma è sufficiente per garantire la coerenza delle interazioni e produrre simulazioni stabili e credibili".
La maggior parte dei modelli collassa dopo poche iterazioni, mentre il nostro può simulare più di 16.000 passi consecutivi, senza derivare leggi fisiche.
Olga Fink, docente del Laboratorio IMOS
L’universalità della terza legge di Newton la rende indipendente dalla scala e dal tipo di sistema. "Questo è ciò che permette al modello non solo di generalizzare, cioè di applicare ciò che ha imparato a situazioni simili, ma anche di estrapolare, producendo previsioni affidabili in situazioni completamente nuove - cosa che gli algoritmi di apprendimento automatico raramente riescono a fare bene", spiega Olga Fink, professoressa all’IMOS. Che si tratti di un numero maggiore di oggetti, di velocità più elevate, di configurazioni nuove o di ambienti diversi, il modello rimane coerente laddove altri falliscono. "La maggior parte diverge dopo poche iterazioni, mentre Dynami-CAL GraphNet rimane stabile nonostante più di 16.000 passaggi consecutivi, senza deviare dalle leggi della fisica"
Gli scienziati hanno messo alla prova la loro IA in situazioni molto concrete: hanno iniziato simulando collisioni tra sfere, come in un silo o in un miscelatore industriale, dove decine, poi migliaia di particelle si scontrano, rotolano, rimbalzano e sfregano contro pareti in movimento. Addestrata su sole quattro simulazioni di sistemi semplici contenenti poche decine di particelle in una scatola fissa, la loro IA riesce a prevedere il movimento di migliaia di particelle in un mixer con pareti cilindriche rotanti, rispettando la conservazione del moto e della rotazione per migliaia di passi. È stata anche testata sul movimento umano, prevedendo la camminata di una persona da semplici dati di motion capture, senza una conoscenza esplicita delle forze esercitate dal terreno. "Abbiamo valutato il nostro modello su scala microscopica, per seguire la dinamica di una proteina in un solvente. È in grado di riprodurre le sue sottili deformazioni nel tempo", osserva Vinay Sharma
Imparare da pochissime informazioni
Per Olga Fink, uno dei due grandi punti di forza del loro modello è la capacità di apprendere da pochissime informazioni, di generalizzare a nuove configurazioni, in condizioni diverse e a sistemi più grandi. "Per esempio, può imparare la dinamica prevedendo un passo in anticipo dalla postura di un essere umano che cammina, e poi dedurre l’intera traiettoria futura del movimento" Il secondo è che queste simulazioni più stabili e affidabili rimangono chiare e interpretabili. È importante che gli utenti dei programmi di simulazione capiscano come e quando vengono utilizzate le leggi della fisica, in modo da poter esaminare criticamente i risultati. A differenza di alcuni modelli di intelligenza artificiale, che vengono percepiti come scatole nere, Dynami-CAL GraphNet calcola in ogni fase quantità che possono essere interpretate fisicamente dagli utenti: forze, coppie, scambi di momento angolare. tutte le quantità intermedie sono coerenti con la fisica", insiste Olga Fink. Un ingegnere può verificare che la conservazione della quantità di moto e del momento angolare sia rispettata. È questa coerenza che crea fiducia, in particolare per i sistemi critici per la sicurezza
RiferimentiVinay Sharma & Olga Fink, Una rete neurale a grafo informata dalla fisica che conserva il momento lineare e angolare per i sistemi dinamici. Nature Communications, 15 gennaio 2026. DOI: 10.1038/s41467-025-67802-5
