Generative Flow Networks in Covariant Loop Quantum Gravity

تخيل أنك تحاول فهم الكون ليس كمسرح شاسع وفارغ تتجلى فيه الأحداث، بل ككائن واحد مكتفٍ بذاته موجود ببساطة. في القصة التقليدية للانفجار العظيم، بدأ الكون في لحظة زمنية محددة، وهي نقطة ذات كثافة لانهائية حيث تنهار قوانق الفيزياء. وهذا يخلق لغزًا لعلماء الفيزياء: إذا كان كل شيء قد بدأ هناك، فما هي القواعد التي حكمت تلك اللحظة الأولى تحديدًا؟ ولتجنب الاضطرار إلى ابتكار هذه القواعد يدويًا، يقترح بعض المنظرين فكرة "لا حدود لها". في هذه الرؤية، ليس للكون حافة أو نقطة بداية في الزمن، تمامًا كما أن لسطح الكرة حافة، رغم أنها محدودة. إنه شكل مغلق حيث ينحني الزمان والمكان على نفسهما، مما يسمح للكون بالانبثاق بسلاسة من حالة "اللاشيء" إلى "الشيء" الذي نراه اليوم.

ولاختبار هذه الفكرة، يستخدم العلماء إطارًا يسمى "رغوة السبين" (spin foam)، والذي يعامل نسيج الزمكان ليس كصفيحة ملساء، بل كشبكة من الأشكال الهندسية الصغيرة المترابطة. هذه الأشكال، وتحديدًا نسخة رباعية الأبعاد من الهرم تُعرف باسم "4-simplex"، تمثل أصغر لبنات بناء ممكنة لهندسة الكون. إن حساب كيفية انتقال هذه الأشكال من اللاشيء إلى الشيء يتضمن جمع عدد لا يحصى من الاحتمالات، وهي مهمة معقدة للغاية لدرجة أن أسرع الحواسيب الفائقة في العالم تواجه صعوبة في التعامل معها. تقليديًا، استخدم الباحثون طريقة تسمى "سلسلة ماركوف مونت كارلو" لاستكشاف هذه الاحتمالات. هذه التقنية تشبه متنزهاً تائهاً في الضباب، يتلمس طريقه عبر خطوات عشوائية صغيرة ليجد أعلى القمم احتمالية. وبينما كانت هذه الطريقة فعالة في حالات كثوة، إلا أن هذا المتنزه يمكن أن يعلق فوق قمة واحدة ويفوت قممًا أخرى بعيدة، خاصة عندما يكون المشهد عالي الأبعاد ومتعرجًا للغاية.

في دراسة حديثة، قرر فريق من الفيزيائيين من جامعة ويسترن أونتاريو، ومعهد بيريمتر، وجامعة واترلو، تجربة نهج مختلف. فبدلاً من المتنزه الذي يتلمس طريقه في الضباب، وظفوا نوعًا جديدًا من الذكاء الاصطناعي يُعرف باسم "شبكات التدفق التوليدية" (Generative Flow Networks). وبدلاً من التجول عشوائيًا، صُممت هذه الخوارزمية لتتعلم شكل المشهد أثناء حركتها، حيث تبني خريطة لمواقع النقاط المرتفعة الهامة. طبق الباحثون أداة التعلم الآلي هذه على مشكلة محددة وهي حساب "الزاوية ثنائية السطح" (dihedral angle) داخل شكل "4-simplex" واحد. تصف هذه الزاوية الميل بين وجهين مثلثيين للشكل الهندسي، مما يوفر مقياسًا ملموسًا للهندسة المحلية للكون المبكر. ومن خلال مقارنة نتائج طريقة الذكاء الاصطناعي الجديدة بالنهج التقليدي الشبيه بالمتنزه، هدفوا إلى معرفة ما إذا كانت هذه الخوارزمية الأكثر ذكاءً تستطيع التنقل في التضاريس الرياضية المعقدة بفعالية أكبر.

قام الفريق بإعداد محاكاة رقمية حيث تم تمثيل الـ "4-simplex" كشبكة من خمس متغيرات مترابطة، كل منها قادر على اتخاذ نطاق من القيم. لقد قاموا بتدريب "شبكة التدفق التوليدية" على استكشاف هذه الشبكة، وتعليمها التعرف على تركيبات القيم الأكثر احتمالية للحدوث وفقًا لقوانين الجاذبية الكمية. كان الهدف هو معرفة ما إذا كان بإمكان الشبكة التنبؤ بدقة بالقيمة المتوسطة للزاوية ثنائية السطح، وهي قيمة قابلة للرصد تخبرنا عن شكل الكون عند أصغر مقاييسه. واختبروا الخوارزمية باستخدام عدة استراتيجيات تدريب مختلفة، أو ما يسمى "دوال الخسارة" (loss functions)، وهي في الأساس طرق مختلفة لقياس مدى تعلم الذكاء الاصطنال للأنماط الصحيحة. ركزت بعض الاستراتيجيات على موازنة تدفق الاحتمالات عبر الشبكة بأكملها، بينما بحثت أخرى في توازن الخطوات الفردية أو الرحلة الإجمالية من البداية إلى النهاية.

عندما قارن الباحثون النتائج، وجدوا مقايضة مثيرة للاهتمام. فمنهج "سلسلة ماركوف مونت كارلو" التقليدي، أي "المتنزه"، كان أفضل عمومًا في رسم الخريطة الكاملة للمشهد بدقة، حيث أنتج معدل خطأ إجمالي أقل عبر الشبكة بأكملها؛ فقد استكشف التضاريس بشكل واسع، مما ضمن عدم ترك أي منطقة دون فحص. ومع ذلك، تصرفت "شبكة التدفق التوليدية" بشكل مختلف؛ فقد كانت بارعة للغاية في إيجاد القمم المحددة ذات الاحتمالية العالية التي تساهم في الإجابة النهائية. ومن حيث التكرارات، أو الخطوات المتخذة، وصلت الخوارزمية إلى القيمة الصحيحة للزاوية ثنائية السطح بشكل أسرع من الطريقة التقليدية. ومع ذلك، جاءت هذه الكفاءة مع ضريبة: فقد تطلب الذكاء الاصطناعي وقتًا وموارد حوسبة أكبر بكثير للتدريب في المقام الأول. فبمجرد تدريبه، يمكنه توليد عينات بسرعة، لكن الاستثمار الأولي في تعلم المشهد كان ضخمًا.

تشير الدراسة إلى أنه بينما لا تعد طريقة التعلم الآلي الجديدة بديلاً للتقنيات الراسخة في هذه الحالة المحددة والنسبية البساطة، إلا أنها تحمل وعودًا لمشكلات أكثر صعوبة. لاحظ الباحثون أن المشهد الذي درسوه كان في الواقع سلسًا وبسيطًا، مع قمم قريبة من بعضها البعض، وفي مثل هذه الحالة، يعمل المتنزه التقليدي بشكل جيد جدًا. إن القوة الحقيقية لـ "شبكة التدفق التوليدية" من المتوقع أن تظهر في مشاهد أكثر تعقيدًا وعالية الأبعاد، حيث تكون القمم معزولة وبعيدة عن بعضها البعض، وهو تضاريس غالبًا ما يضيع فيها المتنزه التقليدي أو يعلق بها. إن قدرة الذكاء الاصطناعي على تعلم بنية المشهد واستنتاج مواقع القمم البعيدة دون الحاجة إلى التعثر بها عشوائيًا يمكن أن يغير قواعد اللعبة في الحسابات المستقبلية للجاذبية الكمية.

كان المؤلفون حذرين في الإشارة إلى أن تطبيقهم الحالي له قيود؛ فقد أُجبر الذكاء الاصطناعي على التحرك في اتجاه واحد فقط، بدءًا من الصفر والبناء صعودًا، مما يعني أنه كان عليه اتخاذ مسارات أطول لاستكشاف الشبكة مقارنة بطريقة يمكنها القفز بحرية. واقترحوا أن الإصدارات المستقبلية من الخوارزمية قد تدمج النهجين، باستخدام الذكاء الاصطناعي للعثور على الموقع العام للقمم الهامة، ثم استخدام الطريقة التقليدية لصقل التفاصيل بمجرد العثور على المنطقة. كما أشاروا إلى أن عمليات المحاكاة الخاصة بهم استخدمت عددًا قليلًا نسبيًا من دورات التدريب وطبقات الشبكة، مما يعني أن الإمكانات الكاملة للطريقة لم تُختبر بعد.

في نهاية المطاف، لا يدعي هذا العمل أنه حل لغز ميلاد الكون أو أثبت مقترح "لا حدود لها". بدلاً من ذلك، فإنه يقدم أداة جديدة لصندوق الأدوات. ومن خلال التطبيق الناجح لـ "شبكات التدفق التوليدية" على مشكلة أساسية في الجاذبية الكمية، أظهر الباحثون أن التعلم الآلي يمكن استخدامه للتنقل في الهندسات المجردة للزمكان. تسلط الدراسة الضوء على أنه بينما تعتبر هذه الطريقة الجديدة مكلفة حاليًا من حيث الإعداد، فإن قدرتها على التركيز على الأجزاء الأكثر صلة بمشكلة معقدة تجعلها مرشحًا مقنعًا لتولي الحسابات الأكثر تعقيدًا التي تنتظرنا في المسعى لفهم كيف انبثق الكون من العدم.