最後是一則研究突破：有團隊以物理導向的神經網路，從高精度 3D 粒子軌跡中分離不同力的影響，並對粒子間的非互易（單向）作用力做出高準確描述，還推翻部分長期使用的簡化假設。這類方法的價值不只在於提升預測準確度，而是把 AI 用作「提出可驗證的新規律」的工具，讓理論與實驗能更快迭代。
更具啟發性的是，這種框架並非只限於電漿或物理實驗室；只要系統是由多個個體相互作用所構成，且能取得足夠的軌跡或行為資料，AI 就可能協助找出隱藏的作用機制。從材料製程、生物細胞群體到人群流動，這類「以資料反推交互規則」的研究路線，或將成為未來幾年跨學科的重要方法論。