یک رویکرد نظری جدید با هدف روشن کردن رفتار پیچیده سیستمهای چندذرهای (Many-body systems) بهتازگی ارائه شده است. محققان از یک تکنیک یادگیری ماشین برای کشف ویژگیهای غیرمنتظره در «نیروهای غیرمتقابل» (Non-reciprocal forces) استفاده کردهاند؛ نیروهایی که رفتار یک سیستم چندذرهای را شکل میدهند.
این مطالعه که در نشریه PNAS منتشر شده، توسط فیزیکدانان تجربی و نظری دانشگاه اموری (Emory) انجام شده است. در این پژوهش، یک شبکه عصبی با طراحی ویژه با اندازهگیریهای آزمایشگاهی از یک «پلاسمای غبارآلود» (نوعی گاز یونیزه شده حاوی ذرات متقابل) ترکیب شد. برخلاف اکثر کاربردهای هوش مصنوعی در علم که بر تحلیل دادهها یا پیشبینی متمرکز هستند، این کار از هوش مصنوعی برای کمک به کشف قوانین فیزیکی ناشناخته استفاده کرده است!
| انیشتین بعدی دنیای فیزیک کیست؟ هوش مصنوعی؟! |
جاستین برتون، استاد فیزیک تجربی دانشگاه اموری و یکی از نویسندگان ارشد مقاله، میگوید:
ما نشان دادیم که میتوانیم از هوش مصنوعی برای کشف فیزیک جدید استفاده کنیم. روش هوش مصنوعی ما یک “جعبه سیاه” نیست؛ ما میفهمیم که چگونه و چرا کار میکند. چارچوبی که این روش ارائه میدهد نیز جهانی (یونیورسال) است و پتانسیل این را دارد که در سایر سیستمهای چندذرهای برای باز کردن مسیرهای جدید کشف به کار گرفته شود.
به گفته این تیم، مقاله مذکور دقیقترین گزارش ارائه شده تاکنون درباره فیزیک حاکم بر پلاسماهای غبارآلود، از جمله توصیفهای بسیار دقیق از نیروهای غیرمتقابل را ارائه میدهد.
حالت چهارم ماده
پلاسما اغلب حالت چهارم ماده نامیده میشود. پلاسما شامل گاز یونیزه شدهای است که در آن الکترونها و یونها آزادانه حرکت میکنند و به آن ویژگیهای متمایزی مانند رسانایی الکتریکی میبخشند. اعتقاد بر این است که پلاسما حدود ۹۹.۹ درصد از جهان مرئی را تشکیل میدهد؛ از بادهای خورشیدی که از تاج خورشید سرازیر میشوند تا صاعقههایی که به زمین برخورد میکنند.
پلاسمای غبارآلود علاوه بر یونها و الکترونها، حاوی ذرات گرد و غبار باردار نیز هست. این پدیده در بسیاری از محیطهای کیهانی و سیارهای، از جمله حلقههای زحل و یونوسفر زمین دیده میشود. در ماه، جاذبه ضعیف اجازه میدهد ذرات غبار باردار بر فراز سطح معلق بمانند و نمونهای طبیعی از پلاسمای غبارآلود ایجاد کنند. برتون توضیح میدهد: «به همین دلیل است که وقتی فضانوردان روی ماه راه میروند، لباسهایشان پوشیده از گرد و غبار میشود.»
پلاسمای غبارآلود روی زمین هم میتواند شکل بگیرد؛ مثلاً در طول آتشسوزیهای جنگلی، ذرات دود با دوده مخلوط شده و بار الکتریکی پیدا میکنند که میتواند ارتباطات رادیویی آتشنشانان را مختل کند.
درک حرکت جمعی
ایلیا نمنمن، بیوفیزیکدان نظری و دیگر نویسنده ارشد مقاله، اصول حاکم بر سیستمهای طبیعی پویا، بهویژه سیستمهای بیولوژیکی پیچیده را مطالعه میکند. او بهویژه به حرکت جمعی علاقهمند است؛ مانند نحوه حرکت و هماهنگی سلولها در بدن انسان. او میگوید:
در سرطان، به عنوان مثال، میخواهید بدانید که چگونه تعامل سلولها ممکن است باعث شود برخی از آنها از تومور جدا شده، به جای جدیدی بروند و متاستاز کنند.
نمنمن پروژه پلاسمای غبارآلود را فرصتی برای بررسی رفتار جمعی در محیطی سادهتر از یک موجود زنده دید. او میگوید:
با وجود تمام صحبتها درباره اینکه هوش مصنوعی علم را متحول میکند، نمونههای بسیار کمی وجود دارد که در آنها چیزی اساساً جدید مستقیماً توسط یک سیستم هوش مصنوعی کشف شده باشد.
طراحی یک شبکه عصبی فیزیکمحور
یکی از مشهورترین نمونههای هوش مصنوعی، ChatGPT، بر روی حجم عظیمی از اطلاعات اینترنت آموزش میبیند تا متن مناسب را پیشبینی کند. نمنمن توضیح میدهد:
وقتی در حال کاوش در چیزی جدید هستید، دادههای زیادی برای آموزش هوش مصنوعی ندارید. این بدان معنا بود که ما باید یک شبکه عصبی طراحی میکردیم که بتواند با مقدار کمی داده آموزش ببیند و باز هم چیز جدیدی یاد بگیرد.
فیزیکدانان محدودیتهای شبکه عصبی را به مدلسازی سه عامل مستقل در حرکت ذرات خلاصه کردند:
- اثر سرعت یا نیروی پسار (Drag force).
- نیروهای محیطی مانند گرانش.
- نیروهای ذره با ذره.
نتایج غافلگیرکننده
مدل هوش مصنوعی که با مسیرهای سهبعدی ذرات آموزش دیده بود، نیروهای غیرمتقابل بین ذرات را با دقت فوقالعادهای یاد گرفت. برای توضیح این نیروها، محققان از آنالوژی (مشابهت) دو قایق استفاده میکنند که روی یک دریاچه حرکت کرده و موج ایجاد میکنند. الگوی موج پشت هر قایق بر حرکت قایق دیگر تأثیر میگذارد و بسته به موقعیت آنها نسبت به هم، ممکن است قایق دیگر را دفع یا جذب کند.
نمنمن توضیح میدهد:
در پلاسمای غبارآلود، ما توصیف کردیم که چگونه ذره جلوتر، ذره پشتسر را جذب میکند، اما ذره پشتسر همیشه ذره جلوتر را دفع میکند. این پدیده توسط برخی پیشبینی شده بود، اما اکنون ما یک تقریب دقیق برای آن داریم که قبلاً وجود نداشت.
یافتههای آنها همچنین برخی فرضیات غلط درباره پلاسمای غبارآلود را اصلاح کرد:
- فرضیه قدیمی: هرچه شعاع ذره غبار بزرگتر باشد، بار الکتریکی آن دقیقاً به همان نسبتِ شعاع بیشتر است. کشف جدید: این افزایش لزوماً متناسب با شعاع نیست و به چگالی و دمای پلاسما بستگی دارد.
- فرضیه قدیمی: نیروهای بین دو ذره با فاصله گرفتن آنها به صورت نمایی کاهش مییابد و این نرخ کاهش به اندازه ذره بستگی ندارد. کشف جدید: نرخ کاهش نیرو به اندازه ذره بستگی دارد.
یک چارچوب جهانی
این شبکه عصبی فیزیکمحور روی یک کامپیوتر معمولی اجرا میشود و چارچوبی نظری برای حل معماهای سایر سیستمهای پیچیده چندذرهای ارائه میدهد. نمنمن قصد دارد از این روش برای آموزش دانشجویان جهت کشف فیزیک حرکت جمعی در سیستمهای زنده (مانند گلههای پرندگان یا دستههای ماهی) استفاده کند.
برتون در پایان میگوید:
استفاده درست از هوش مصنوعی میتواند درهایی را به روی قلمروهای کاملاً جدیدی برای کاوش باز کند.
منبع: Scitechdaily
