Diffusion-model approach to flavor models: A case study for $S_4^\prime$ modular flavor model

يتكون الكون من حفنة من الجسيمات الأساسية، ومع ذلك تأتي هذه الجسيمات في ثلاث عائلات أو "نكهات" متميزة، لكل منها كتلتها وسلوكها الفريد. إن سبب اختيار الطبيعة لهذا النمط المحدد — لماذا يكون أحد الجسيمات ثقيلاً بينما يكون شريكه خفيفاً، أو لماذا يختلطان معاً بالطرق الدقيقة التي نلاحظها في التجارب — يظل أحد أعمق الألغاز في الفيزياء. لعقود من الزمن، حاول العلماء حل هذا اللغز من خلال اقتراح تناظرات خفية، وهي قواعد رياضية تحكم كيفية تفاعل هذه الجسيمات. ومع ذلك، غالباً ما تحتوي هذه النظريات على العديد من المتغيرات الحرة، مثل الأزرار في آلة معقدة، والتي يجب ضبطها على الإعدادات الصحيحة لتطابق الواقع. وكان العثور على تلك الإعدادات تقليدياً عملية بطيئة وصعبة من التجربة والخطأ، حيث يخمن الباحثون نقطة البداية ويأملون أن تؤدي الرياضيات إلى حل يناسب البيانات.

لقد اتبع فريق من الباحثين في جامعة كيوشو نهجاً مختلفاً، حيث لجأوا إلى نوع جديد من الذكاء الاصطناعي للتنقل في هذا المشهد الواسع من الاحتمالات. فبدلاً من التخمين والتحقق يدوياً، قاموا بتدريب نظام تعلم آلي يُعرف باسم "نموذج الانتشار" (diffusion model) للعمل بشكل عكسي من الخصائص المعروفة للكون وصولاً إلى القواعد الخفية التي تخلقه. ومن خلال تغذية النظام بالكتل الفعلية للكواركات وطريقة اختلاطها، طلب الباحثون من الآلة توليد الإعدادات المحددة لنموذجهم النظري التي من شأنها إنتاج تلك النتائج. ركزت الدراسة على إطار رياضي محدد يُسمى نموذج النكهة الموديولي $S'_4$ (S'_4 modular flavor model)، والذي يعتمد على تناظر معقد لتفسير سلوك الجسيمات. ووجد الباحثون أن ذكاءهم الاصطناعي يمكنه تحديد مناطق المشهد النظري التي يعمل فيها النموذج بسرعة، واكتشاف حلول كانت مفقودة في السابق بسبب الطرق التقليدية.

يكمن جوهر هذا العمل في كيفية تعليم الباحثين للآلة كيف تفكر. نموذج الانتشار هو نوع من الذكاء الاصطناعي التوليدي، وهي تقنية تُستخدم غالباً لإنشاء الصور من الأوصاف النصية. في هذه الحالة، أعاد الباحثون توظيف هذه التقنية لتوليد الأرقام. بدأوا بعرض ملايين التوليفات العشوائية من المعلمات الحرة للنموذج على الكمبيوتر. ولكل توليفة، قام الكمبيوتر بحساب كتل الكواركات واختلاطها الناتجة. ومع مرور الوقت، تعلم النظام العلاقة بين الإعدادات الخفية والنتائج الفيزيائية. وبمجرد تدريبه، استطاع الباحثون إعطاء الآلة القيم التجريبية الواقعية لكتل الكواركات واختلاطها، وسيقوم الذكاء الاصطناًعي بتوليد الإعدادات المحددة المطلوبة لإنتاجها. هذه العملية تشبه مطالبة طاهٍ ماهر بهندسة وصفة طعام عكسياً: فبدلاً من تجربة المكونات حتى يصبح طعم الطبق صحيحاً، ينظر الطاهي إلى الوجبة النهائية ويستنتج بالضبط ما الذي طُبخ.

باستخدام هذه الطريقة، استكشف الفريق نموذج النكهة الموديولي $S'_4$، والذي يتضمن متغيراً خاصاً يُعرف باسم "الموديول" (modulus). يعمل هذا المتغير كمجال كسر التناظر، وهو الذي يحدد كيف تتجلى القواعد الرياضية للنموذج في العالم الفيزيائي. في الدراسات السابقة، كان على الباحثين تخمين قيمة هذا الموديول، وغالباً ما كانوا يجدون أن نطاقاً ضيقاً جداً من القيم فقط هو ما يمكنه إعادة إنتاج الكون المرصود. سمح النهج الجديد المدفوع بالذكاء الاصطناعي للباحثين بمسح مساحة أوسع بكثير من الاحتمالات دون الحاجة إلى تخمين نقطة البداية. نجحت الآلة في توليد آلاف الحلول المرشحة، وتحديد قيم محددة للموديول والمعلمات الأخرى التي تطابقت مع البيانات التجريبية بدقة عالية.

كان أحد أهم النتائج هو اكتشاف انتهاك التماثل المرتبط بالتش parity و Charge (CP violation) بشكل تلقائي داخل هذا النموذج. في فيزياء الجسيمات، يشير انتهاك CP إلى اختلاف دقيق في كيفية سلوك المادة والمادة المضادة، وهي ظاهرة ضرورية لتفسير سبب كون الكون مكوناً من مادة بدلاً من أن يتم إفناؤها بواسطة المادة المضادة في اللحظات الأولى للانفجار العظيم. في العديد من النماذج النظرية، يتم إدخال هذا الانتهاك من خلال افتراض أن المعلمات هي أعداد مركبة لها أجزاء تخيلية. ومع ذلك، وجد الباحثون أنه في نموذجهم المحدد، ينشأ الانتهاك بشكل طبيعي من الجزء الحقيقي لمتغير الموديول وحده. وهذا يعني أن النموذج يمكنه تفسير عدم التماثل الملحوظ بين المادة والمادة المضادة دون الحاجة إلى استدعاء هياكل رياضية أكثر تعقيداً، مما يشير إلى آلية أبسط لهذا الخاصية الأساسية في الطبيعة.

قارن الباحثون أيضاً بحثهم المدفوع بالذكاء الاصطناعي بطرق التحسين التقليدية، مثل محاكاة "مونت كارلو" (Monte Carlo simulation)، التي تعتمد على أخذ العينات العشوائية والتحسين التكراري. ووجدوا أن نموذج الانتشار كان أكثر كفاءة في العثور على حلول جيدة. فبينما كافحت الطريقة التقليدية لتحديد مجموعات المعلمات الصالحة ضمن إطار زمني معقول، وغالباً ما كانت تعلق في "القيم الدنيا المحلية" (local minima) أو تتطلب ضبطاً يدوياً مكثفاً لنطاق البحث، كان الذكاء الاصطناعي ينتج باستمرار مجموعة متنوعة من المرشحين الواعدين. حددت الآلة حلولاً استقر فيها متغير الموديول حول قيمة تقارب 2.24، وهي منطقة كانت أقل استكشافاً في الأدبيات السابقة. علاوة على ذلك، أظهر الباحثون أنه بمجرد أن يوفر الذكاء الاصطناعي نقطة بداية جيدة، يمكن لفترة قصيرة من التحسين التقليدي أن تصقل النتائج إلى مستوى عالٍ للغاية من الدقة، محققة مطابقة للبيانات التجريبية تكاد تكون مثالية.

كشفت الدراسة أيضاً عن كيفية اتصال المعلمات المختلفة في النموذج. لاحظ الباحثون أن متغير الموديول مرتبط بقوة بمعاملات معينة في المعادلات، بينما تظل المعاملات الأخرى مستقلة نسبياً. تشير هذه الرؤية إلى أنه بمجرد العثور على القيمة الصحيحة للموديول، يمكن تعديل المعلمات الأخرى بسهولة نسبية لضبط النموذج بدقة. هذا الفصل بين المتغيرات يجعل النموذج أكثر قوة وأسهل في التعامل معه، لأنه يقلل من تعقيد البحث عن وصف واقعي للكون. وأشار الفريق إلى أن طريقتهم لا تتطلب من الباحث تحديد نطاق بحث ضيق مسبقاً، وهو قيد شائع في عمليات البحث اليدوية يمكن أن يتسبب في إغفال الباحثين لحلول صالحة لمجرد أنهم كانوا يبحثون في المكان الخطأ.

في النهاية، يوضح هذا العمل أن الذكاء الاصطناعي التوليدي يمكن أن يعمل كأداة قوية للفيزياء النظرية، خاصة في المجالات التي يكون فيها عدد المتغيرات كبيراً والعلاقة بينها معقدة. ومن خلال التعامل مع المشكلة كمسألة عكسية — البدء بالنتيجة المعروفة والعمل بشكل عكسي للوصول إلى السبب — تمكن الباحثون من تجاوز قيود طرق البحث التقليدية. لقد أكدوا أن نموذج النكهة الموديولي $S'_4$ يمكنه بالفعل إعادة إنتاج بنية النكهة الملحوظة للكواركات، بما في ذلك الكتل وزوايا الاختلاط المحددة، وأنه يفعل ذلك من خلال آلية انتهاك CP التلقائي التي تعتمد على الأعداد الحقيقية بدلاً من الأعداد المركبة. وبينما ركزت الدراسة تحديداً على قطاع الكواركات، يقترح المؤلفون إمكانية تطبيق نفس النهج على اللبتونات ونماذج النكهة الأخرى، مما قد يفتح آفاقاً جديدة لفهم البنية الأساسية للمادة. يسلط نجاح هذه الطريقة الضوء على تحول في كيفية إجراء الفيزياء النظرية في المستقبل، حيث لا تكتفي الآلات بتحليل البيانات فحسب، بل تساعد بنشاط في بناء النظريات التي تفسرها.