یک فیزیکدان نظری از دانشگاه کالیفرنیا در سانتاباربارا با کمک مدل هوش مصنوعی GPT-۶ Astra، راهکاری ریاضی برای یکی از مسائل حلنشده مدل استاندارد فیزیک ذرات ارائه کرده است؛ مسئلهای که بیش از نیمقرن پژوهشگران را به خود مشغول کرده بود.
به گزارش سیناپرس، همکاری ناتانیل کریگ، فیزیکدان نظری و استاد دانشگاه کالیفرنیا در سانتاباربارا، با مدل هوش مصنوعی GPT-۶ Astra به ارائه روشی پیشنهادی برای تعریف ریاضی مدل استاندارد فیزیک ذرات روی شبکهای گسسته از فضا و زمان منجر شده است. این دستاورد که در گزارش تازه شرکت OpenAI تشریح شده، میتواند راهی برای بررسی یکی از چالشهای دیرینه فیزیک نظری فراهم کند.
مدل استاندارد یکی از مهمترین نظریههای فیزیک به شمار میرود که ذرات بنیادی و سه نیروی اصلی طبیعت، شامل نیروی الکترومغناطیسی، هستهای قوی و هستهای ضعیف را توصیف میکند. با وجود تأیید پیشبینیهای این نظریه در آزمایشهای متعدد، ارائه تعریفی ریاضی و دقیق از تمام بخشهای آن، بدون اتکا به تقریبهای متداول، همچنان با چالشهایی همراه است.
معمایی که بیش از نیمقرن ادامه داشته است
فیزیکدانان برای محاسبه رفتار ذرات اغلب از روشی به نام «نظریه اختلال» استفاده میکنند. در این شیوه، ابتدا یک مسئله سادهتر و بدون درنظرگرفتن برهمکنش ذرات حل میشود و سپس اثر این برهمکنشها در قالب اصلاحات کوچک به محاسبات افزوده میشود.
اگرچه این روش در بسیاری از موارد نتایج دقیقی به دست میدهد، برای بررسی پدیدههایی که برهمکنشهای قوی در آنها نقش اساسی دارند، همیشه کارآمد نیست. بخش قابلتوجهی از جرم پروتون، برای نمونه، حاصل حرکت و برهمکنش کوارکها و گلوئونهای درون آن است؛ پدیدهای که نمیتوان آن را صرفاً با اصلاحات کوچک توضیح داد.
یکی از روشهای مطالعه چنین پدیدههایی، تقسیم فضا و زمان به شبکهای از نقاط کوچک است. این رویکرد که با عنوان «نظریه میدان شبکهای» شناخته میشود، امکان انجام محاسبات پیچیده را با استفاده از رایانه فراهم میکند.
با این حال، انتقال مدل استاندارد به چنین شبکهای با مانعی اساسی روبهرو است. نیروی هستهای ضعیف با ذرات چپدست و راستدست رفتار متفاوتی دارد؛ ویژگیای که «کایرالیته» یا دستسانی نامیده میشود. روشهای متداول شبکهای ممکن است هنگام توصیف این ویژگی، ذرات اضافی و ناخواستهای ایجاد کنند و در نتیجه، ساختار فیزیکی نظریه را تغییر دهند.
پژوهشگران پیشتر راهکارهایی برای جلوگیری از بروز این مشکل ارائه کرده بودند، اما تعیین سازگار ویژگی ریاضی دیگری به نام «فاز» برای کل مدل استاندارد همچنان یکی از مسائل حلنشده باقی مانده بود.
نقش GPT-۶ Astra در توسعه راهکار ریاضی
کریگ پیش از آغاز همکاری با هوش مصنوعی، ایدهای برای حل این مسئله در اختیار داشت، اما نتوانسته بود درستی آن را در تمام حالتهای موردنیاز اثبات کند.طرح پیشنهادی او بر استفاده از شبکههایی با اندازههای متفاوت و کوچکترشونده استوار بود. در این روش، با مقایسه وضعیت ذرات در شبکههای متوالی میتوان اصلاحات موردنیاز برای تعیین فاز را محاسبه کرد و به یک قاعده ریاضی سازگار رسید.
مدل GPT-۶ Astra در تبدیل این ایده به چارچوبی ریاضی مشارکت کرد. به گفته کریگ، این مدل روشی برای انتقال میدانهای نیرو به شبکههای ریزتر پیشنهاد داد، همگرایی محاسبات به یک پاسخ مشخص را نشان داد و بخش قابلتوجهی از اثبات دقیق ریاضی را توسعه داد.
در ادامه، سه متخصص نظریه میدان شبکهای، مارتن گولترمن، آندریاس کرونفلد و ییگال شامیر، با بررسی اثبات و طرح پرسشهای تخصصی در ارزیابی این دستاورد مشارکت کردند.
حاصل این همکاری، ارائه تعریفی پیشنهادی و غیراختلالی از مدل استاندارد روی شبکهای با فاصله محدود است؛ رویکردی که در صورت تأیید و تکمیل میتواند به پیشبرد مطالعات در این حوزه کمک کند.
آیا معمای ۵۰ ساله بهطور کامل حل شده است؟
با وجود اهمیت این پیشنهاد، پژوهش هنوز در مراحل اولیه قرار دارد و نمیتوان آن را حل قطعی تمام مشکلات ریاضی مدل استاندارد دانست. روش ارائهشده در حال حاضر بیشتر یک چارچوب نظری است و برای استفاده در شبیهسازیهای عملی به توسعه و بررسی بیشتری نیاز دارد.
یکی از موضوعات باقیمانده، بررسی ویژگی ریاضی موسوم به «مثبتبودن بازتابی» است؛ مفهومی که با ارتباط محاسبات شبکهای و یک نظریه کوانتومی سازگار با حفظ احتمال ارتباط دارد. همچنین دستیابی به تعریف کامل نظریه در فضا و زمان پیوسته، چالش دیگری است که به پژوهشهای بیشتر نیاز دارد.
بر این اساس، GPT-۶ Astra بهتنهایی مدل استاندارد را اثبات نکرده و همه مسائل ریاضی آن را نیز حل نکرده است. دستاورد فعلی، ارائه یک ساختار ریاضی پیشنهادی و اثباتی است که باید از سوی پژوهشگران مستقل بررسی و ارزیابی شود.
به نقل از زومیت، این همکاری نمونهای از ورود هوش مصنوعی به پژوهشهای بنیادی است؛ حوزهای که در آن، مدلهای هوش مصنوعی میتوانند فراتر از خلاصهسازی مقالات و انجام محاسبات معمول، در شکلگیری و توسعه استدلالهای پیچیده ریاضی نیز نقش داشته باشند.

