Kolmogorov-Arnold networks in nuclear binding energy prediction
تُظهر هذه الدراسة أن شبكات كولموغوروف-أرنولد (KANs) تتفوق بشكل كبير على النماذج التقليدية في التنبؤ بطاقات الترابط النووي بخطأ منخفض قدره 0.26 ميجا إلكترون فولت، بينما توفر في الوقت ذاته تعبيرات تحليلية قابلة للتفسير تتماشى مع نظريات الفيزياء النووية الكلاسيكية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في قلب كل ذرة تكمن نواة صغيرة وكثيفة، وهي بمثابة غرفة مزدحمة حيث تتجمع البروتونات والنيوترونات معاً في توازن دقيق. إن القوة التي تمسك هذه الغرفة معاً هائلة، والطاقة المطلوبة لإبقائها متماسكة تُعرف بطاقة الترابط. هذه الطاقة ليست مجرد رقم؛ بل هي المفتاح لفهم سبب استقرار بعض الذرات بينما تتفكك أخرى، وكيف تصهر النجوم العناصر الثقيلة، وك way قد يتمكن العلماء يوماً ما من ابتكار مواد جديدة فائقة الثقل. لعقود من الزمن، حاول الفيزيائيون كتابة معادلة واحدة مثالية تتنبأ بهذه الطاقة لكل ذرة معروفة، تماماً مثل وصفة رئيسية لكتل الكون البنائية. تعمل الصيغ التقليدية بشكل جيد في كثير من الحالات، لكنها غالباً ما تعاني مع التفاصيل المعقدة والفوضوية التي تنشأ عندما يتغير عدد الجسيمات، مما يترك فجوات في فهمنا للعالم الذري.
لقد اتخذ فريق من الباحثين في جامعة تونغجي في شنغهاي نهجاً جديداً لهذه المشكلة القديمة باستخدام نوع جديد من الذكاء الاصطناعي يسمى شبكة كولموغوروف-أرنولد، أو KAN. وخلافاً لبرامج الكمبيوتر القياسية التي تتعلم من خلال ضبط مقابض داخلية ثابتة، فقد صُمم هذا النظام الجديد لتفكيك مشكلة معقدة إلى سلسلة من الخطوات البسيطة ذات المتغير الواحد. تخيل محاولة فهم آلة معقدة عن طريق تفكيكها ودراسة كل ترس فيها على حدء بدلاً من محاولة تخمين كيفية عمل الشيء بأكم له مرة واحدة. ومن خلال تطبيق هذه الطريقة على قاعدة البيانات الضخمة للكتل الذرية المعروفة، تمكن الباحثون من التنبؤ بطاقة الترابط لآلاف النوى بدقة مذهلة. حقق أفضل نموذج لديهم معدل خطأ قدره 0.26 مليون إلكترون فولت فقط، وهو مستوى من الدقة يتفوق على العديد من النظريات الفيزيائية الراسخة المستخدمة في هذا المجال اليوم.
بدأ الباحثون بتغذية الشبكة ببيانات حول عدد البروتونات والنيوترونات في كل نواة، إلى جانب عوامل أخرى معروفة مثل كيفية اقتران الجسيمات وكيفية ترتيبها في أغلفة. واختبروا النظام بمجموعات مختلفة من هذه التفاصيل، ووجدوا أنه بينما كانت النسخة الأبسط التي تستخدم فقط الأعداد الأساسية للبروتونات والنيترونات جيدة جداً بالفعل، فإن إضافة معلومات حول البنية النووية جعلت التنبؤات أكثر حدة ودقة. النسخة الأكثر تقدماً من نموذجهم، والتي تضمنت تفاصيل حول إغلاق الأغلفة واقتران الجسيمات، خفضت خطأ التنبؤ إلى مستوى ينافس أكثر المحاكاة القائمة على الفيزياء تطوراً. يشير هذا النجاح إلى أن الشبكة الجديدة لا تقوم بمجرد حفظ الأرقام، بل تتعلم في الواقع القواعد الأساسية التي تحكم كيفية تماسك النوى الذرية.
إن أحد الجوانب المثيرة للاهتمام في هذا العمل هو أن النظام الجديد لا يكتفي بالتنبؤ بالأرقام فحسب؛ بل يمكنه أيضاً الكشف عن الصيغ الرياضية المخفية داخل البيانات. في العديد من نماذج الذكاء الاصطناعي، يكون المنطق الداخلي عبارة عن "صندوق أسود" يستحيل على البشر قراءته. ومع ذلك، ولأن نظام KAN مبني لتفكيك المشكلات إلى وظائف بسيطة، فقد تمكن الباحثون من استخراج معادلة نظيفة وقابلة للقراءة من نتائجهم. تبدو هذه الصيغة المستمدة مشابهة جداً للمعادلات الكلاسيكية التي استخدمها الفيزيائيون لسنوات، حيث تحتوي على حدود للحجم، والتناظر، وتأثيرات السطح، ولكن مع تعديلات محددة وجدها الكمبيوتر من تلقاء نفسه. إن القدرة على ترجمة نموذج حاسوبي معقد إلى قانون طبيعي قابل للقراءة من قبل البشر تقدم لمحة نادرة عن البنية الرياضية للنواة الذرية.
اختبرت الدراسة أيضاً مدى قدرة هذه النماذج على تخمين خصائص الذرات التي لم تُشاهد أو تُقس أبداً، وهي مهمة تُعرف بالاستقراء. وعندما طلب الباحثون من الشبكة التنبؤ بكتلة النوى الموجودة خارج نطاق بيانات التدريب الخاصة بها، كانت النتائج موثوقة بشكل عام للذرات الثقيلة، حيث ظلت قريبة من تنبؤات النماذج الفيزيائية الراسخة. ومع ذلك، عانى النظام أكثر مع الذرات الخفيفة جداً، حيث تخلق التفاعلات بين عدد قليل من الجسيمات أنماطاً فريدة وصعبة. يسلط هذا الاكتشاف الضوء على أنه بينما تعد الطريقة الجديدة قوية، فإن سلوك أصغر النوى لا يزال يمثل تحدياً فريداً يتطلب مزيداً من التطوير. ويقترح الباحثون أن النسخ المستقبلية من هذه التكنولوجيا يمكن أن تساعد في الكشف عن رؤى أعمق، مما قد يؤدي إلى نظريات جديدة حول كيفية بناء المادة وكيفية سلوكها في الظروف القاسية.
من خلال الجمع بين قوة التعرف على الأنماط في التعلم الآلي الحديث والحاجة إلى قوانين علمية واضحة ومفهومة، يجسد هذا العمل الفجوة بين البيانات الخام والرؤية النظرية. لقد أظهر الباحثون أنه من الممكن استخدام الذكاء الاصطناعي ليس فقط كآلة حاسبة، بل كأداة للاكتشاف يمكنها المساعدة في إعادة كتابة قواعد الفيزياء النووية. ومع استمرار تطور هذه النماذج، فإنها تعد بتقديم رؤية أوضح للعالم الذري، مما يساعد العلماء على التنقل في المناطق المجهولة من الجدول الدوري وفهم القوى الأساسية التي تشكل كوننا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.