Generative AI for Validating Physics Laws

في المشهد الواسع للعلوم الحديثة، غالبًا ما يواجه الباحثون سؤالًا يبدو بسيطًا في طرحه ولكنه صعب للغاية في الإجابة عليه: كيف يغير إجراء معين النتيجة بالنسبة لأشخاص أو أشياء مختلفة؟ هذا هو جوهر الاستدلال السببي، وهو مجال مخصص لفهم السبب والنتيجة. تخيل طبيبًا يحاول تحديد ما إذا كان دواء جديد يعمل بشكل أفضل للمرضى الصغار مقارنة بالمرضى الأكبر سنًا، أو اقتصاديًا يتساءل عما إذا كان خفض الضرائب يعزز الاقتصاد في المدن أكثر مما يفعل في البلدات الريفية. التحدي يكمن في أننا في العالم الحقيقي، نادرًا ما نتمكن من إجراء تجارب مثالية تكون فيها كل الأشياء متطابقة باستثناء الشيء الوحيد الذي نختبره. بدلاً من ذلك، يجب علينا النظر في بيانات رصدية فوضوية حيث تتغير العديد من العوامل في وقت واحد. ولإدراك هذا الأمر، طور العلماء أدوات متطورة لتقدير ما يسمى بـ "تأثيرات المعالجة المتباينة". هذا المصطلح يعني ببساطة قياس كيف ينتج سبب ما، مثل دواء أو سياسة، نتائج مختلفة لأفراد مختلفين بناءً على خصائصهم الفريدة. لعقود من الزمن، كان الهدف هو إيجاد التأثير المتوسط، ولكن الرؤى الأكثر إثارة للاهتمام تكمن غالبًا في التفاصيل المتعلقة بكيفية تباين هذا التأثير عبر مجموعة سكانية.

لقد اقترح فريق من الباحثين الآن طريقة جديدة لمعالجة هذه المشكلة، وهي طريقة تتجاوز مجرد إيجاد المتوسط لتصل إلى رسم الخريطة الكاملة للنتائج المحتملة. لقد أطلقوا على نهجهم اسم "المتعلم التوليدي"، وهو نوع من الذكاء الاصطناعي المصمم لتعلم القواعد الخفية التي تحكم كيفية إنشاء البيانات. وخلافًا للطرق القديمة التي قد تعاني عندما تكون البيانات معقدة أو عندما توجد أمثلة قليلة فقط للدراسة، فقد تم بناء هذا النظام الجديد للتعامل مع التوزيع الكامل للتأثيرات. فهو لا يخبرنا فقط أن العلاج فعال؛ بل يكشف كيف يتغير قوة هذا العلاج اعتمادًا على السمات المحددة للموضوع، مثل حجمه أو عمره أو خلفيته. ومن خلال تدريب شبكة عصبية — وهي نظام حاسوبي يحاكي دماغ الإنسان — لتعلم هذه الأنماط مباشرة من البيانات، أنشأ الباحثون أداة تتسم بالمرونة والدقة في آن واحد.

اختبر الباحثون نظامهم الجديد مقابل عدة طرق راسخة تُعتبر حاليًا المعيار الذهبي في هذا المجال. لقد أجروا مئات المحاكاة الحاسوبية حيث كانوا يعرفون الحقيقة الدقيقة مسبقًا، مما سمح لهم برؤية مدى جودة قدرة كل طريقة على استعادة الإجابة الصحيحة. وفي هذه الاختبارات، تفوق المتعلم التوليدي باستمرار على منافسيه. فعندما كانت البيانات تتضمن علاقات بسيطة وخطية، كان الأسلوب الجديد أكثر دقة بالفعل، ولكن الفرق أصبح دراماتيكيًا عندما كانت العلاقات معقدة ومنحنية. في هذه السيناريوهات الصعبة، قلل النظام الجديد من أخطائه بنسبة تزيد عن سبعين بالمائة مقارنة ببعض أفضل التقنيات الموجودة. وكان هذا التفوق واضحًا بشكل خاص عندما كانت كمية البيانات صغيرة، وهو موقف غالبًا ما تتعثر فيه الطرق الأخرى. ووجد الباحثون أن نهجهم كان جيدًا بشكل خاص في التقاط الشكل الكامل للنتائج، وليس فقط المنتصف، مما سمح لهم برؤية الحالات النادرة والمتطرفة التي قد تغفل عنها النماذج الأخرى.

ولإثبات أن هذه الطريقة تعمل في العالم الحقيقي، طبق الفريق منهجهم على مشكلة كلاسيكية في الفيزياء الفلكية: قانون ستيفان-بولتزمان. يصف هذا القانون الفيزيائي كيف يتحدد سطوع النجم بناءً على درجة حرارته. وتحديدًا، ينص القانون على أن إجمالي الطاقة التي يشعها النجم تتناسب مع القوة الرابعة لدرجة حرارته، مما يعني أن أي زيادة طفيفة في الحرارة تؤدي إلى زيادة هائلة في السطوع. وقد عامل الباحثون درجة حرارة سطح النجم باعتبارها "المعالجة" وسطوعه باعتباره "النتيجة". وباستخدام بيانات من مهمة "غايا" (Gaia)، التي رسمت خرائط لأكثر من مليار نجم، ركزوا على مجموعة محددة من النجوم لمعرفة ما إذا كان بإمكان منهجهم الجديد استعادة هذه العلاقة الفيزيائية الشهيرة من البيانات الرصدية وحدها.

كانت النتائج مذهلة. فقد نجح المتعلم التوليدي في تحديد العلاقة غير الخطية المتوقعة، مؤكدًا أنه كلما زادت حرارة النجم، زاد سطوعه بمعدل متسارع. لكن الطريقة ذهبت إلى أبعد من مجرد تأكيد القانون؛ فقد كشفت كيف يتغير هذا التأثير بناءً على حجم النجم وسطوعه الجوهري. وأظهر التحليل أن تأثير درجة الحرارة على السطوع يزدادة قوة مع زيادة نصف قطر النجم، وهو ما يتوافق تمامًا مع التنبؤ النظري بأن السطوع يعتمد على مربع نصف القطر. علاوة على قدرة الطريقة على إظهار أن العلاقة تسلك سلوكًا مختلفًا بالنسبة للنجوم ذات القدر المطلق المختلف، مما يشير إلى أن النجوم الأكثر سطوعًا جوهريًا هي أكثر حساسية للتغيرات في درجة الحرارة من النجوم الأقل سطوعًا. ومن خلال تطبيق هذه الأداة الجديدة على بيانات نجمية حقيقية، أثبت الباحثون أن نهجهم لا يمكنه فقط التحقق من القوانين الفيزيائية المعروفة، بل يمكنه أيضًا الكشف عن الطرق الدقيقة التي تظهر بها تلك القوانين عبر مجموعة متنوعة من الأجرام.

إن نجاح هذا العمل يشير إلى أن الطريقة التي بُني بها النظام الجديد تمنحه ميزة متميزة. فقد صمم الباحثون الشبكة العصبية لتقسيم المشكلة إلى ثلاثة أجزاء متصلة: جزء يتعلم النتيجة الأساسية، وجزء آخر يتعلم احتمالية حدوث المعالجة، والثالث يتعلم التأثير المحدد للمعالجة. ومن الأهمية بمكان أن هذه الأجزاء يتم تدريبها معًا، مما يسمح لها بمشاركة المعلومات وتحسين تنبؤات بعضها البعض. كما يستخدم النظام تقنية رياضية تنظر إلى النطاق الكامل للنتائج المحتملة، من الأدنى إلى الأعلى، بدلاً من التركيز فقط على المتوسط. وهذا يسمح له بالتقاط القصة الكاملة لكيفية تأثير سبب ما على مجموعة سكانية، بما في ذلك الحالات الشاذة والمتطرفة. وبينما تم اختبار الطريقة على عمليات محاكاة ومجموعة محددة من بيانات النجوم، يعتقد الباحثون أن قدرتها على التعامل مع البيانات المعقدة وعالية الأبعاد تجعلها أداة قوية للعديد من المجالات الأخرى، من الطب الشخصي إلى السياسة الاقتصادية، حيث يعد فهم التأثير الفريد للتدخل على الأفراد المختلفين أمرًا ضروريًا.