برخلاف پژوهش‌های رایج در زمینه هوش مصنوعی، پژوهشگران دانشگاه Emory در آتلانتا شبکه عصبی اختصاصی را آموزش دادند تا خود آن قوانین فیزیک جدیدی را کشف کند.
به گزارش تکناک، هوش مصنوعی در پژوهش‌های رایج فقط برای پیش‌بینی یا پاک‌سازی داده‌ها استفاده می‌شوند، اما این شبکه عصبی توانست برخی فرضیات نادرست در نظریه پلاسما را اصلاح کند.
این تیم با استفاده از داده‌های تجربی مربوط به حالت خاصی از ماده به نام پلاسمای غبارآلود -گازی داغ و باردار حاوی ذرات بسیار ریز غبار- توانست به این هدف دست یابد. دانشمندان سپس مشاهده کردند که این هوش مصنوعی، توصیف‌هایی دقیق و شگفت‌انگیز از نیروهایی ناشناخته ارائه داده است، که پیش‌تر به‌درستی درک نشده بودند.
این دستاورد نشان می‌دهد که هوش مصنوعی می‌تواند قوانین ناشناخته تعامل ذرات را در یک سامانه آشوبناک کشف کند. علاوه بر این، فرضیات دیرینه در فیزیک پلاسما را اصلاح می‌کند و افق‌های تازه‌ای برای مطالعه سامانه‌های پیچیده چندذره‌ای، از سلول‌های زنده تا مواد صنعتی می‌گشاید.
جاستین برتون، یکی از نویسندگان پژوهش و استاد دانشگاه Emory در این زمینه گفت: «ما نشان دادیم که می‌توان از هوش مصنوعی برای کشف قوانین فیزیکی استفاده کرد. روش ما یک جعبه سیاه نیست: ما می‌دانیم چگونه و چرا کار می‌کند. همچنین این چارچوب ماهیتی همگانی دارد و می‌تواند در سایر سامانه‌های چندذره‌ای نیز به‌کار رود و مسیرهای جدیدی برای اکتشاف بگشاید.»
فهرست مطالب
چگونه هوش مصنوعی قوانین فیزیک را کشف کرد؟
پژوهشگران، داده‌های واقعی را با مدلی دقیق از هوش مصنوعی ترکیب کردند. آنها کار خود را با مطالعه پلاسمای غبارآلود آغاز کردند؛ حالتی از ماده که در سراسر کیهان، از حلقه‌های زحل و سطح ماه تا دود آتش‌سوزی‌های جنگلی روی زمین یافت می‌شود.
با وجود این حضور گسترده، نیروهایی که بین ذرات این پلاسما عمل می‌کنند، هنوز به‌درستی شناخته نشده‌اند. چرا که که این سامانه به‌صورت غیرمتقارن عمل می‌کند؛ یعنی نیرویی که یک ذره به ذره دیگر وارد می‌کند، لزوماً به‌صورت برابر پاسخ نمی‌گیرد.
درک چنین تعاملاتی با فیزیک سنتی بسیار دشوار بوده است. بنابراین، دانشمندان یک سامانه تصویربرداری سه‌بعدی پیشرفته ساختند تا حرکت ذرات پلاستیکی درون محفظه‌ای پر از پلاسما را مشاهده کنند. آنها با استفاده از پرتو لیزر و دوربین پرسرعت، هزاران حرکت ذره‌ای را در سه‌بعد و در طول زمان ثبت کردند.
سپس این مسیرهای دقیق حرکتی برای آموزش شبکه عصبی طراحی‌شده مورد استفاده قرار گرفت. برخلاف بیشتر مدل‌های هوش مصنوعی که به مجموعه‌داده‌های عظیم نیاز دارند، این مدل با مجموعه‌ای کوچک اما غنی از داده‌ها آموزش دید و قوانین فیزیکی پایه‌ای مانند: گرانش، کشش و نیروی بین‌ذره‌ای در آن لحاظ شده بود.
ایلیا نمن‌مان، نویسنده ارشد مطالعه و استاد دانشگاه Emory بیان کرد: «زمانی که سراغ پدیده‌ای ناشناخته می‌روید، داده زیادی در اختیار ندارید. بنابراین باید شبکه‌ای عصبی طراحی می‌کردیم که با داده کم هم بتواند موارد جدیدی یاد بگیرد.»
شبکه عصبی، حرکت ذرات را به سه مؤلفه تجزیه کرد، که شامل اثرات سرعت (مانند کشش هوا)، نیروهای محیطی (مثل گرانش) و نیروهای بین ذرات بود. این ساختار اجازه داد تا هوش مصنوعی، رفتارهای پیچیده را در حالی یاد بگیرد که همچنان اصول بنیادی فیزیک را رعایت می‌کرد.
در نتیجه، این مدل توصیف‌هایی دقیق از نیروهای غیرمتقارن با دقتی بالای ۹۹ درصد ارائه داد. یکی از یافته‌های شگفت‌انگیز این بود که وقتی یک ذره جلوتر حرکت می‌کند، ذره دنبال‌کننده را به سوی خود می‌کشد، اما ذره پشتی، ذره پیشرو را از خود دور می‌سازد. این نوع تعامل نامتقارن، مدت‌ها مشکوک بود، اما تاکنون به صورت واضح مدل‌سازی نشده بود.
اصلاح فرضیات قدیمی فیزیک پلاسما
هوش مصنوعی توانست برخی فرضیات نادرست دیرینه در نظریه پلاسما را اصلاح کند. نمن‌مان تصریح کرد: «جالب‌تر از همه این است که نشان می‌دهیم بعضی از فرضیات رایج درباره این نیروها دقیق نیستند. ما می‌توانیم این موارد را اصلاح کنیم، چرا که حالا می‌بینیم دقیقاً چه اتفاقی می‌افتد.»
برای نمونه، یکی از این فرضیات این بود که بار الکتریکی یک ذره دقیقاً با اندازه آن افزایش می‌یابد؛ اما اکنون روشن شده است که این رابطه به چگالی و دمای پلاسمای اطراف بستگی دارد.
فرض نادرست دیگر نیز این بود که نیروی بین ذرات همیشه با فاصله به صورت نمایی بدون توجه به اندازه آنها کاهش می‌یابد. در حالی که هوش مصنوعی نشان داد این افت نیرو، به اندازه ذرات نیز وابسته است؛ موضوعی که پیش‌تر از چشم دانشمندان دور مانده بود.
نکته جالب‌تر آن است که این مدل هوش مصنوعی تنها با استفاده از یک رایانه رومیزی اجرا شد و با وجود این توانست چارچوبی همگانی ارائه دهد، که اکنون قابلیت به‌کارگیری در انواع سامانه‌های چندذره‌ای، از ترکیبات رنگ گرفته تا سلول‌های مهاجر در موجودات زنده را دارد. همچنین این پژوهش نشان می‌دهد که هوش مصنوعی تنها برای پردازش داده‌ها نیست، بلکه می‌تواند در کشف قوانین فیزیک پنهان حاکم بر طبیعت نیز مشارکت کند.
نمن‌مان تأکید کرد: «با وجود همه صحبت‌ها درباره انقلاب‌آفرینی هوش مصنوعی در علم، نمونه‌های واقعی کمی وجود دارد که در آن، کشفی کاملاً بنیادی به‌طور مستقیم توسط یک سامانه هوش مصنوعی انجام شده باشد.» وی ابراز امیدواری کرد که این کار، دانشمندان را تشویق کند تا راه‌های تازه‌تری برای بهره‌گیری از هوش مصنوعی در علم و جامعه بیابند.
