I fisici usano ora l'AI per costruire reti neurali direttamente dalle leggi della fisica

Come funziona

Un metodo che usa l'AI per costruire direttamente le reti neurali dalle equazioni della fisica, evitando il lungo addestramento per tentativi ed errori.

1. 📝Fornire le equazioni fisiche al sistema di AI
2. 🏗️L'AI scrive la struttura della rete e imposta i pesi
3. 🔧Si fanno correzioni senza un lento addestramento
4. ✅Verificare se la soluzione corrisponde alla fisica

Cosa puoi farci

• Un ricercatore potrebbe costruire rapidamente modelli di rete neurale per problemi di fisica come il flusso di calore o il moto dei fluidi alimentando il sistema con equazioni fisiche invece di trascorrere giorni ad addestrare lentamente un'AI ¹.
• Uno scienziato potrebbe produrre reti neurali con strutture e pesi impostati dai grandi modelli linguistici seguendo vincoli fisici, per poi raffinarli tramite aggiustamenti iterativi senza ottimizzazione basata sui gradienti ¹.

Figura dell'articolo: visualizzazioni termiche colorate che confrontano diversi metodi per risolvere equazioni della fisica, mostrate come una griglia di grafici con etichette come RBANS, PINN, SNN

Figura: Sato et al., arXiv:2611.12954, CC BY 4.0

Come la fisica incontra l'AI

Le reti neurali tradizionali imparano regolando lentamente i loro pesi attraverso un processo chiamato ottimizzazione basata sui gradienti, essenzialmente tentativi ed errori ripetuti molte volte. Questo può richiedere una potenza di calcolo e un tempo enormi ¹.

Physics2Weight, o PtW, adotta un approccio completamente diverso. Invece di addestrare una rete da zero, chiede a un grande modello linguistico di scrivere la struttura della rete e di impostarne i pesi direttamente in base alle leggi della fisica ¹. I ricercatori combinano tre idee principali: il "physics-constrained prompting", in cui l'AI viene istruita a rispettare equazioni note; il "physics-guided architecture editing", in cui l'AI modifica la disposizione della rete in base a quelle stesse leggi; e il refinement iterativo dei pesi usando metodi esistenti di programmazione nello spazio dei pesi .

Pensateci come se si costruisse un ponte. Invece di impilare mattoni e sperare che il ponte regga, si consultano prima le leggi della fisica e si lascia che un'AI tracci il progetto ¹.

Testato su quattro problemi classici

Il team ha testato il proprio framework su quattro equazioni alle derivate parziali ben note ¹. Sono formule fondamentali usate in tutta la scienza e l'ingegneria: l'equazione del calore (che descrive come si diffonde la temperatura), l'equazione di advezione (che modella come le sostanze si muovono con un flusso), l'equazione di Burgers (usata nella dinamica dei fluidi) e l'equazione di Allen–Cahn (che descrive i cambiamenti nelle strutture dei materiali) .

Su tutti e quattro i problemi, Physics2Weight ha prodotto soluzioni più accurate delle normali reti neurali physics-informed, che sono un altro approccio che cerca di integrare le leggi della fisica nell'addestramento dell'AI ¹. Tuttavia, il metodo ha mostrato limitazioni evidenti nel gestire le equazioni alle derivate parziali non lineari, faticando a soddisfare le equazioni governing in ogni caso .

Chi lo ha creato e dove

La ricerca è stata scritta da Shogo Sato, Tomoyasu Shimada, Kazuhiko Murasaki e Takashi Sano, e pubblicata sul server di preprint arXiv il 7 novembre 2026 ¹. L'articolo completo è disponibile all'indirizzo https://doi.org/10.48550/arXiv.2611.12954 .

Poiché i risultati provengono da un singolo studio su preprint prima della revisione tra pari, le scoperte non sono ancora confermate indipendentemente. L'approccio sembra attualmente rivolto ai ricercatori che lavorano nella fisica computazionale e nel machine learning scientifico, ma gli autori suggeriscono che potrebbe un giorno raggiungere pubblici più ampi man mano che la tecnologia maturerà ¹.

Quanto è bravo

Il framework è stato testato su quattro equazioni alle derivate parziali classiche — l'equazione del calore, l'equazione di advezione, l'equazione di Burgers e l'equazione di Allen-Cahn — e ha prodotto soluzioni più accurate delle normali reti neurali physics-informed su tutti e quattro i casi ¹. Tuttavia, ha incontrato difficoltà con le equazioni alle derivate parziali non lineari, non riuscendo a soddisfare le equazioni governing in ogni caso .

I fatti principali

• Physics2Weight genera i pesi e l'architettura delle reti neurali direttamente da equazioni fisiche usando grandi modelli linguistici
• Ha superato le normali reti neurali physics-informed su quattro equazioni di test: calore, advezione, Burgers e Allen–Cahn
• Il metodo incontra difficoltà con le equazioni alle derivate parziali non lineari, fallendo nel soddisfare le equazioni governing in ogni caso
• Quattro ricercatori hanno pubblicato il lavoro su arXiv il 7 novembre 2026

Fonti

1. Physics2Weight: Direct Neural Network Architecture and Weight Generation from Physical Laws Using Large Language Models