مدل‌های یادگیری ماشینی مکانیکی قوانین فیزیک را کشف می‌کنند؛ گذار هوش مصنوعی از تشخیص الگو به اکتشاف فعال علمی

هوش مصنوعی دیگر صرفاً در حال یافتن الگوها در داده‌ها نیست؛ بلکه فعالانه در حال کشف قوانین فیزیک است. سال‌هاست که یادگیری ماشینی به عنوان یک «جعبه سیاه» عمل کرده و همبستگی‌ها را در مجموعه‌داده‌های عظیم بدون درک قواعد زیربنایی حاکم بر جهان فیزیکی پیدا می‌کند. اکنون، پارادایم جدیدی به نام یادگیری ماشینی مکانیکی—که اغلب به صورت شبکه‌های عصبی آگاه از فیزیک (PINNs) پیاده‌سازی می‌شود—به طور بنیادی نحوه انجام علم توسط هوش مصنوعی را تغییر می‌دهد. با گنجاندن مستقیم قوانین فیزیکی شناخته‌شده در الگوریتم‌ها، محققان در حال ایجاد سیستم‌هایی هستند که می‌توانند اصول علمی جدید را از داده‌های خام تجربی استنتاج کنند.[1][2]

شواهد این تغییر در چندین رشته، از فیزیک ذرات زیراتمی گرفته تا مدل‌سازی اقلیمی قاره‌ای، در حال افزایش است. مدل‌های یادگیری عمیق سنتی برای انجام پیش‌بینی‌های دقیق به حجم عظیمی از داده نیاز دارند و اغلب زمانی که از آن‌ها خواسته می‌شود فراتر از مجموعه‌های آموزشی خود برون‌یابی کنند، به طور فاجعه‌باری شکست می‌خورند. مدل‌های مکانیکی این مشکل را با محدود کردن حدس‌های هوش مصنوعی به آنچه از نظر فیزیکی ممکن است، حل می‌کنند. نتیجه سیستمی است که نه تنها به داده‌های به مراتب کمتری نیاز دارد، بلکه نتایج بسیار دقیق و قابل تفسیری تولید می‌کند که دانشمندان انسانی می‌توانند آن‌ها را به صورت ریاضی تأیید کنند.[4][6]

چشمگیرترین نمایش این قابلیت از قلمرو فیزیک ذرات می‌آید. محققان دانشگاه نیویورک ابوظبی (NYU Abu Dhabi) اخیراً به یک سیستم هوش مصنوعی مأموریت دادند تا داده‌های تجربی دهه‌های ۱۹۵۰ و ۱۹۶۰—دوره‌ای که اجزای بنیادی ماده برای اولین بار کشف شدند—را تحلیل کند. هوش مصنوعی بدون هیچ دانش قبلی از ابزارهای ریاضی مورد استفاده فیزیک‌دانان در آن زمان، اصول سازمان‌دهنده ده‌ها ذره را به طور مستقل کشف مجدد کرد.[3]

این سیستم با موفقیت «راه هشت‌گانه» (Eightfold Way)، یک طرح طبقه‌بندی پیچیده که ذرات زیراتمی را در خانواده‌های ساختاریافته گروه‌بندی می‌کند، بازسازی کرد و تقارن‌های بنیادی مانند عدد باریونی و ایزواسپین را شناسایی نمود. همچنین مسیرهای رجه (Regge trajectories) را بازتولید کرد که جرم یک ذره را به اسپین آن مرتبط می‌سازد. آنچه برای فیزیک‌دانان انسانی دهه‌ها بحث نظری و آزمون و خطای تجربی زمان برد تا ساخته شود—یعنی بنیان مدل استاندارد—هوش مصنوعی مستقیماً از داده‌های خام تاریخی استنتاج کرد.[3]

اما هوش مصنوعی مکانیکی تنها به گذشته نگاه نمی‌کند تا فیزیک شناخته‌شده را کشف مجدد کند؛ بلکه برای پرده‌برداری از پدیده‌های کاملاً جدید نیز استفاده می‌شود. در دانشگاه اموری (Emory University)، فیزیک‌دانان یک شبکه عصبی سفارشی را برای تحلیل یک حالت مرموز ماده به نام پلاسمای غبارآلود (dusty plasma) به کار گرفتند—یک گاز داغ و دارای بار الکتریکی که پر از ذرات ریز غبار است و معمولاً در فضا و آتش‌سوزی‌های جنگلی یافت می‌شود. تعاملات درون این پلاسما به طور مشهوری آشفته است و مدل‌سازی آن با استفاده از معادلات فیزیک سنتی دشوار است.[5]

محققان با وارد کردن داده‌های دقیق ردیابی سه‌بعدی ذرات پلاسما به مدل مکانیکی خود، به هوش مصنوعی اجازه دادند تا به دنبال قواعد زیربنایی حاکم بر سیستم بگردد. این مدل با موفقیت نیروهای پیچیده، یک‌طرفه (غیرمتقابل) بین ذرات را با دقت بیش از ۹۹ درصد ثبت کرد. با انجام این کار، هوش مصنوعی فرضیات دیرینه در مورد نحوه رفتار این نیروها را زیر و رو کرد و توصیف‌های شگفت‌آور دقیقی از تعاملاتی را آشکار ساخت که هرگز به طور کامل درک نشده بودند.[5]

چارچوب مورد استفاده در مطالعه پلاسما جهانی است، به این معنی که هوش مصنوعی یک جعبه سیاه نیست؛ محققان دقیقاً می‌دانند که چگونه و چرا به این نتایج رسیده است. این شفافیت یکی از ویژگی‌های بارز یادگیری ماشینی مکانیکی است. از آنجا که مدل‌ها بر اساس مفاهیم فیزیکی قابل تفسیر ساخته شده‌اند، قوانینی که کشف می‌کنند می‌توانند به معادلات ریاضی استانداردی ترجمه شوند که دانشمندان انسانی می‌توانند آن‌ها را تحلیل، مورد بحث قرار داده و در سیستم‌های پیچیده دیگر، از سلول‌های زنده گرفته تا مواد صنعتی، به کار ببرند.[1][5]

مزایای مدل‌های مکانیکی فراتر از فیزیک نظری است؛ آن‌ها در حال حاضر ارزش خود را در علوم کاربردی با پیامدهای فوری در دنیای واقعی ثابت می‌کنند. در علم اقلیم، محققان از شبکه‌های عصبی آگاه از فیزیک برای بهبود چشمگیر دقت پیش‌بینی‌های محیطی استفاده می‌کنند. یک مطالعه جامع در سال ۲۰۲۵ که روش‌های تحلیل داده مکانیکی برای تغییرات اقلیمی در آفریقا را ارزیابی می‌کرد، نشان داد که این مدل‌ها به طور قابل توجهی بهتر از رویکردهای آماری سنتی عمل می‌کنند.[4]

مطالعه اقلیمی، داده‌های دما، بارش و اجتماعی-اقتصادی را در ۵۴ کشور آفریقایی از سال ۲۰۲۰ تا ۲۰۲۴ تحلیل کرد. هنگامی که وظیفه پیش‌بینی تغییرات دما به مدل‌ها محول شد، شبکه‌های عصبی سنتی به میانگین مربعات خطای ریشه (RMSE) ۱.۷۴ درجه سانتی‌گراد دست یافتند. در مقابل، شبکه‌های عصبی آگاه از فیزیک—که اصول ترمودینامیکی را مستقیماً در معماری خود گنجانده بودند—به RMSE ۱.۲۳ درجه سانتی‌گراد رسیدند. این نشان‌دهنده بهبود ۲۹ درصدی در دقت پیش‌بینی است، جهشی عظیم در حوزه‌ای که کسری از درجه، سیاست‌های کشاورزی و واکنش به بلایا را تعیین می‌کند.[4]

مدل‌های مکانیکی به ویژه در مناطق پیچیده از نظر توپوگرافی مؤثر بودند، جایی که محدودیت‌های فیزیکی تعبیه‌شده در آن‌ها به مدل‌ها کمک کرد تا رابطه بین ارتفاع و دما را به دقت ثبت کنند. با ترکیب چارچوب‌های استنتاج علّی با قوانین فیزیکی، این مدل‌ها همچنین بینش‌های حیاتی در مورد الگوهای خشکسالی و رابطه بین بارش و آسیب‌پذیری کشاورزی ارائه دادند.[4]

برای پیشبرد بیشتر مرزهای آنچه هوش مصنوعی می‌تواند کشف کند، محققان در حال توسعه چارچوب‌های کاملاً خودمختار مانند «AI-Newton» هستند. این چارچوب که برای کار بدون نظارت یا دانش فیزیکی قبلی طراحی شده است، مفاهیم و قوانین کلی را از مدل‌های خاص مسئله استخراج می‌کند. این کار با پیشنهاد مفاهیم فیزیکی قابل تفسیر برای ساخت قوانین و سپس تعمیم تدریجی آن قوانین به دامنه‌های گسترده‌تر انجام می‌شود.[1]

هنگامی که «AI-Newton» بر روی یک مجموعه داده بزرگ و نویزی از آزمایش‌های مکانیک اعمال شد، قوانین بنیادی از جمله قانون دوم نیوتن، پایستگی انرژی و قانون گرانش عمومی را با موفقیت کشف مجدد کرد. توانایی این سیستم در ساخت تکراری قوانین کلی از قوانین موجود، تقلیدی از استدلال محتمل شبیه به انسان است که یک فرآیند کشف مقیاس‌پذیر را امکان‌پذیر می‌سازد که تعادل بین کاوش مفاهیم جدید و بهره‌برداری از قواعد شناخته‌شده را حفظ می‌کند.[1]

پیشرفت حیاتی دیگر در این زمینه، توسعه شبکه‌های عصبی آگاه از فیزیک شواهدگرا (E-PINNs) است. در حالی که PINNs استاندارد در اعمال قوانین فیزیکی عالی هستند، اغلب در تعیین کمیت عدم قطعیت خود دچار مشکل می‌شوند. E-PINNs این مشکل را با استفاده از یادگیری عمیق شواهدگرا حل می‌کنند تا عدم قطعیت خروجی‌های خود را تخمین زده و پارامترهای ناشناخته را از طریق توزیع پسین آموخته‌شده استنباط کنند.[2]

در آزمون‌های اعتبارسنجی با استفاده از مدل‌های ریاضی پیچیده مانند معادله پواسون ۱ بعدی و معادله فیشر-کاپا-پی ۲ بعدی، E-PINNs احتمال پوشش تجربی تولید کردند که به طور قابل توجهی بهتر از روش‌های قبلی کالیبره شده بود. این توانایی در سنجش دقیق عدم قطعیت برای اکتشاف علمی حیاتی است؛ یک هوش مصنوعی نه تنها باید یک قانون فیزیکی جدید پیشنهاد کند، بلکه باید یک تخمین ریاضی دقیق از میزان اطمینان خود به آن کشف نیز ارائه دهد.[2]

گذار از تشخیص الگو به اکتشاف فعال علمی، نشان‌دهنده بلوغ بنیادی هوش مصنوعی است. محققان با پیوند دادن قدرت محاسباتی خام یادگیری عمیق با محدودیت‌های دقیق مکانیک محاسباتی و فیزیک نظری، ابزارهایی را ایجاد می‌کنند که فراتر از صرفاً پردازش داده‌ها عمل می‌کنند. آن‌ها در حال ساخت سیستم‌هایی هستند که قادر به تولید فرضیه، طراحی آزمایش و استخراج حقایق جهانی از نویز دنیای طبیعی هستند.[1][6]