Como estudar o que não se pode ver? No caso dos buracos negros, o corpo celeste mais massivo e violento do universo, de onde nem a luz escapa, os cientistas precisam recriá-lo em um computador e ter um vislumbre de como são e de como se comportam. 

Mas a física ao redor desses corpos é tão extrema que, mesmo com os supercomputadores mais rápidos do mundo, montar alguns aspectos dessas simulações e de forma realista poderia levar mais de mil anos.

Foi por isso que o astrofísico chinês Chi-kwan Chan, conhecido como CK, professor da Universidade do Arizona e do Steward Observatory, decidiu pedir ajuda a uma inteligência artificial (IA).

Em entrevista à EXAME, ele contou como usa o Codex, o agente da OpenAI, para descobrir atalhos matemáticos que encurtam esse trabalho para poucas semanas, e como isso pode abrir uma janela inédita para os limites da física.

"O principal desafio é a física ao redor desses buracos negros — ela limita o quão rápido conseguimos rodar a simulação. Com os métodos atuais, as coisas ficam muito, muito lentas, e simplesmente não conseguimos chegar à solução", diz.

Para ele, "a IA é capaz de nos ajudar a identificar novos caminhos, novos métodos, para resolver esse problema". "E isso nos permite fazer coisas que não eram possíveis", afirma.

O problema que travava as simulações por décadas

O maior obstáculo sobre esses fenômenos, segundo Chan, é modelar o plasma, a matéria superaquecida e eletricamente carregada, feita de elétrons e íons, que gira ao redor do buraco negro.

Perto dos buracos negros supermassivos que ele estuda, algumas regiões ficam tão quentes e rarefeitas que as partículas quase não colidem entre si. Em vez de se comportarem como um fluido, elas espiralam individualmente ao redor das linhas de campo magnético.

Para modelar isso com precisão, seria preciso seguir trilhões de elétrons e íons, um a um, enquanto giram em alta velocidade, o que obriga o computador a calcular cada minúsculo movimento, em passos de tempo diminutos.

O resultado é que até as máquinas mais potentes gastam quase todo o seu tempo calculando esses giros microscópicos, em vez de simular o fenômeno maior que interessa à ciência.

"Durante décadas, isso limitou o quão realisticamente conseguíamos simular o plasma dos buracos negros", diz o astrofísico.

O cientista por trás da primeira foto de um buraco negro

Chan não é um nome qualquer nesse campo. Ele integra a colaboração internacional do Event Horizon Telescope (EHT), o consórcio que, em 2019, produziu a primeira imagem de um buraco negro da história.

Naquele projeto, ele ajudou a desenvolver as ferramentas de simulação e de computação que permitiram interpretar as observações — e transformar dados brutos em uma foto que rodou o mundo.

Agora, a equipe do EHT persegue o objetivo de sair da imagem estática e produzir o primeiro vídeo de um buraco negro supermassivo, o que fica no centro da galáxia M87.

É um salto que exige processar uma quantidade colossal de dados e simular alguns dos fenômenos mais extremos do cosmos.

O momento em que passou a levar a IA a sério

A virada, para Chan, tem data. Ele conta que sempre acompanhou a tecnologia — começou a carreira na computação de alto desempenho —, mas passou a levar a IA a sério quando a OpenAI lançou seu primeiro modelo de raciocínio.

Na época, circulava na internet a promessa de que a ferramenta seria capaz de resolver problemas inteiros de doutorado, e ele desconfiou.

"Eu era muito cético, porque muitos dos problemas de doutorado, na verdade, não são tão inovadores", afirma.

Para testar de verdade, recorreu a um trunfo: um artigo seu, ainda não publicado, com um algoritmo que ele mesmo havia criado e que, portanto, não podia ter sido usado para treinar nenhuma IA. Entregou o texto à máquina.

"O modelo foi capaz de entender o artigo e implementar o algoritmo em poucos minutos", diz. "Naquele momento, percebi que a IA era boa o suficiente para transformar uma dedução matemática em um algoritmo funcional."

Um buraco negro dentro do computador

Em vez de apenas executar cálculos, o Codex foi encarregado de encontrar formas mais eficientes de fazê-los. É esse tipo de tarefa que Chan vem explorando em suas pesquisas.

"Estamos tentando criar um buraco negro virtual em um supercomputador para entender o que acontece ao seu redor", diz. "Se usarmos o método que temos hoje, desenvolvido por humanos, levaria mais de mil anos para simular isso de forma útil. Com o Codex, conseguimos descobrir novos métodos automaticamente."

Segundo o pesquisador, os algoritmos encontrados pela IA são "muito, muito mais rápidos", reduzindo simulações que levariam séculos para poucas semanas.

A abordagem se aproxima do conceito de auto research: em vez de pedir uma resposta pronta, o pesquisador define um problema e deixa um agente de IA explorar, de forma autônoma, caminhos mais eficientes a partir do conhecimento disponível.

A diferença, afirma Chan, está no objetivo da busca. "Na maior parte das vezes, quando as pessoas falam de auto research, é pesquisa sobre a própria IA", diz. "Para mim, a pesquisa é encontrar um algoritmo para simular o plasma."

Por que a ciência confia — e desconfia — da máquina

Errar faz parte do processo. O Codex gera múltiplas hipóteses, muitas delas sem resultado prático, mas Chan diz que isso apenas reproduz a lógica da pesquisa científica.

"A maioria das ideias científicas falha. O que importa é que esses algoritmos são testáveis", afirma. "Uma vez que você encontra um que funciona, ele pode destravar simulações que antes eram impossíveis."

É nesse ponto que mora a filosofia dele sobre IA na ciência. Para validar cada algoritmo que a máquina sugere, sua equipe cria primeiro testes com soluções conhecidas, que podem ser conferidas à mão, e depois pede à própria IA que gere provas ainda mais difíceis. Segundo ele, só o que sobrevive a essa bateria é aceito.

"Não aceitamos uma ideia porque ela veio de Einstein, de um aluno brilhante ou de um modelo de IA", diz. "Nós a aceitamos apenas depois de testá-la repetidamente."

Essa insistência na verificação é, para Chan, o que separa o uso responsável do perigoso. Ele se preocupa com colegas que usam a IA como uma "caixa-preta" para processar dados diretamente, sem poder inspecionar o que a máquina fez.

Seu método, segundo ele, é o oposto. Usa a IA para gerar o algoritmo, que permanece legível por humanos. "Sempre podemos voltar e conferir", afirma. "A chave para usar IA na ciência é torná-la verificável."

Testar os limites de Einstein

O que está em jogo, no fim, é a própria física. Os buracos negros são, nas palavras de Chan, um dos melhores lugares para testar a teoria da relatividade geral de Einstein, porque são o ponto em que as leis conhecidas começam a se romper.

"Usamos a física para estudar a astronomia porque achamos que toda a física da Terra se aplica ao universo inteiro", diz. "Mas, perto de um buraco negro, começamos a ver coisas inesperadas. Estudá-los empurra nossa física ao limite."

Encontrar os novos algoritmos, ressalva, é só o começo. O próximo passo é integrá-los ao arcabouço de simulação para, enfim, criar modelos que sigam trilhões de partículas.

Se der certo, os cientistas poderão medir com mais nitidez o comportamento do plasma, do mesmo modo que, anos atrás, novos algoritmos deixaram mais nítida a própria imagem do buraco negro.