Para insinyur di Universitas Pennsylvania menemukan bahwa gelembung dalam busa sehari-hari terus bergeser posisi sambil mempertahankan bentuk keseluruhan busa, mengikuti prinsip matematika yang mirip dengan deep learning untuk AI. Ini menantang pandangan tradisional busa sebagai mirip kaca dan menunjukkan bahwa perilaku belajar mungkin mendasari sistem beragam dari material hingga sel. Temuan, yang diterbitkan di Proceedings of the National Academy of Sciences, dapat memberi informasi tentang material adaptif dan struktur biologis.
Busa, yang ditemukan dalam produk seperti busa sabun dan mayones, lama dianggap meniru kaca, dengan gelembung tetap di posisi tidak beraturan. Namun, simulasi komputer baru oleh peneliti Universitas Pennsylvania mengungkapkan bahwa gelembung dalam busa basah terus berkeliaran melalui berbagai pengaturan tanpa menetap, meskipun busa mempertahankan bentuknya. Perilaku dinamis ini mencerminkan proses deep learning dalam sistem kecerdasan buatan. Dalam pelatihan AI, parameter disesuaikan secara iteratif melalui metode seperti gradient descent, menghindari kecocokan yang terlalu presisi yang menghambat generalisasi. Sebaliknya, sistem mengeksplorasi wilayah yang lebih luas dari solusi yang layak. «Busa terus mengatur ulang dirinya sendiri», catat John C. Crocker, profesor teknik kimia dan biomolekuler serta penulis senior bersama. «Menarik bahwa busa dan sistem AI modern tampak mengikuti prinsip matematika yang sama.» Fisika tradisional memodelkan gelembung busa sebagai partikel yang menggelinding ke keadaan energi rendah, seperti batu di lembah. Namun, data dari hampir dua dekade lalu menunjukkan ketidaksesuaian. «Ketika kami benar-benar melihat data tersebut, perilaku busa tidak sesuai dengan prediksi teori», jelas Crocker. Tim menerapkan wawasan optimasi terinspirasi AI, menemukan gelembung bertahan di lanskap energi datar dengan konfigurasi setara ganda. Penulis senior bersama Robert Riggleman, juga di teknik kimia dan biomolekuler, menyoroti paralel: «Wawasan kunci adalah menyadari bahwa Anda sebenarnya tidak ingin mendorong sistem ke lembah terdalam yang mungkin». Menjaga AI di area yang lebih datar memungkinkan kinerja lebih baik pada data baru, mirip dengan gerakan busa yang berkelanjutan. Studi ini membuka kembali pertanyaan dalam penelitian busa dan meluas ke sistem hidup, seperti sitoskeleton sel, yang mengatur ulang sambil mempertahankan struktur. «Mengapa matematika deep learning secara akurat mengkarakterisasi busa adalah pertanyaan menarik», kata Crocker. Didukung oleh National Science Foundation, pekerjaan ini melibatkan penulis bersama Amruthesh Thirumalaiswamy dan Clary Rodríguez-Cruz, dengan detail lengkap di makalah PNAS 2025 tentang busa pematangan kental.
