پژوهشگری از دانشگاه کالیفرنیا با همراهی هوش مصنوعی اوپنایآی، راهکاری ریاضی برای حل معمای ۵۰ ساله مدل استاندارد فیزیک ذرات پیشنهاد داد.
یک فیزیکدان با کمک مدل هوش مصنوعی GPT-6 Astra راهکاری ریاضی برای یکی از مسائل حلنشدهی مدل استاندارد فیزیک ذرات ارائه کرد؛ مسئلهای که بیش از نیمقرن ذهن پژوهشگران را درگیر کرده بود.
شرکت OpenAI در گزارشی تازه از همکاری مدل هوش مصنوعی GPT-6 Astra با ناتانیل کریگ، فیزیکدان نظری و استاد دانشگاه کالیفرنیا در سانتاباربارا، خبر داد. نتیجهی این همکاری، ارائهی روشی پیشنهادی برای تعریف ریاضی مدل استاندارد فیزیک ذرات روی شبکهای گسسته از فضا و زمان است؛ روشی که در صورت تأیید، میتواند به حل یکی از مشکلات قدیمی فیزیک نظری کمک کند.
مدل استاندارد یکی از موفقترین نظریههای فیزیک است که ذرات بنیادی و سه نیروی اصلی طبیعت، یعنی نیروی الکترومغناطیسی، نیروی هستهای قوی و نیروی هستهای ضعیف را توصیف میکند. پیشبینیهای این نظریه در آزمایشهای بیشماری تأیید شدهاند، اما هنوز یک مشکل اساسی وجود دارد: فیزیکدانان نمیدانند چگونه کل نظریه را بهشکلی دقیق و بدون تکیه بر تقریبهای رایج ریاضی تعریف کنند.
مسئلهای که بیش از ۵۰ سال بیپاسخ مانده بود
فیزیکدانان برای محاسبهی رفتار ذرات معمولاً از روشی به نام «نظریهی اختلال» استفاده میکنند. در این روش، ابتدا مسئلهای سادهتر و بدون برهمکنش ذرات حل میشود و سپس اثر برهمکنشها بهصورت اصلاحات کوچک به محاسبات اضافه میشود.
این روش در بسیاری از موارد دقت فوقالعادهای دارد، اما برای پدیدههایی که برهمکنشهای قوی در آنها نقش اصلی را ایفا میکنند، کافی نیست. برای مثال، بخش عمدهی جرم پروتون از حرکت و برهمکنش کوارکها و گلوئونهای درون آن ناشی میشود؛ پدیدهای که نمیتوان آن را صرفاً با اصلاحات کوچک توضیح داد.
یکی از راهکارهای مطالعهی چنین مسائلی، تقسیم فضا و زمان به شبکهای از نقاط بسیار کوچک است. این روش که «نظریهی میدان شبکهای» نام دارد، امکان انجام محاسبات پیچیده با کامپیوتر را فراهم میکند.
اما مشکل مهمی وجود دارد. نیروی هستهای ضعیف با ذرات چپدست و راستدست رفتار متفاوتی دارد؛ ویژگیای که به آن «کایرالیته» یا دستسانی گفته میشود. هنگام انتقال چنین نظریهای به شبکه، روشهای معمول میتوانند ذرات اضافی و ناخواسته ایجاد کنند و توصیف فیزیکی را تغییر دهند.
پژوهشگران پیشتر راهکارهایی برای جلوگیری از ایجاد این ذرات اضافی پیدا کرده بودند، اما تعیین سازگار یک ویژگی ریاضی دیگر به نام «فاز» برای کل مدل استاندارد همچنان حلنشده باقی مانده بود.
هوش مصنوعی چگونه به حل مسئله کمک کرد؟
کریگ میگوید پیش از همکاری با هوش مصنوعی، ایدهای برای حل مسئله داشت، اما نتوانسته بود درستی آن را در تمام حالتهای لازم اثبات کند.
ایدهی او استفاده از شبکههایی بود که بهتدریج ریزتر میشوند. با مقایسهی وضعیت ذرات در شبکههای متوالی میتوان اصلاحات لازم برای تعیین فاز را محاسبه کرد و از مجموع آنها به قاعدهای سازگار رسید.
مدل GPT-6 Astra در تبدیل این ایده به یک ساختار ریاضی نقش داشت. بهگفتهی کریگ، هوش مصنوعی روش مناسبی برای انتقال میدانهای نیرو به شبکههای ریزتر پیشنهاد کرد، نشان داد که محاسبات به پاسخی مشخص همگرا میشوند و بخش عمدهی اثبات دقیق ریاضی را توسعه داد.
کریگ همچنین از همکاری سه متخصص نظریهی میدان شبکهای به نامهای مارتن گولترمن، آندریاس کرونفلد و ییگال شامیر یاد میکند که با بررسی اثبات و طرح پرسشهای تخصصی به ارزیابی نتیجه کمک کردند.
نتیجهی این همکاری، ارائهی یک تعریف پیشنهادی غیراختلالی از مدل استاندارد روی شبکهای با فاصلهی محدود است؛ دستاوردی که هنوز به بررسی و تأیید بیشتر جامعهی علمی نیاز دارد.
آیا هوش مصنوعی مسئله را بهطور کامل حل کرده است؟
با وجود اهمیت نتیجه، کریگ تأکید میکند که پژوهش هنوز در مراحل اولیه قرار دارد. روش پیشنهادی فعلاً بیشتر یک راهحل نظری است و برای استفاده در شبیهسازیهای واقعی به توسعهی بیشتری نیاز دارد.
یکی از پرسشهای باز، بررسی ویژگی ریاضی موسوم به «مثبتبودن بازتابی» است که به ارتباط محاسبات شبکهای با یک نظریهی کوانتومی سازگار با حفظ احتمال مربوط میشود. همچنین تعریف کامل نظریه در فضا و زمان پیوسته، مسئلهای جداگانه است که پژوهشهای بیشتری میطلبد.
بنابراین، نمیتوان گفت GPT-6 Astra بهتنهایی مدل استاندارد را اثبات کرده یا تمام مشکلات ریاضی آن را حل کرده است. آنچه فعلاً ارائه شده، یک ساختار پیشنهادی همراه با اثباتی است که باید بهصورت مستقل بررسی شود.
این همکاری نمونهای از کاربرد هوش مصنوعی در پژوهشهای بنیادی است؛ جایی که مدل هوش مصنوعی فراتر از خلاصهسازی مقالات یا انجام محاسبات معمول، در توسعهی یک استدلال ریاضی پیچیده مشارکت کرده است.