Machine Learning the H-theorem

لغز الشارع ذي الاتجاه الواحد

تخيل أنك تشاهد مقطع فيديو لقطعة زجاج تتحطم على الأرض. يبدو المشهد فوضويًا ومبعثرًا. الآن، تخيل تشغيل هذا الفيديو بالعكس: الشظايا تطير للأعلى، تلتئم معًا، وتستقر تمامًا فوق الطاولة. ستعرف فورًا أن النسخة المعكوسة مزيفة. لماذا؟ لأن الوقت في كوننا له اتجاه. الأشياء تميل من النظام إلى الفوضى، مثل غرفة مرتبة تصبح مبعثرة ببطء إذا تركتها دون عناية. هذا هو جوهر القانون الثاني للديناميكا الحرارية، وهو قاعدة تقول إن "الفوضى" (أو الإنتروبيا) في الكون تزداد دائمًا.

لكن الجزء الغريب هو: إذا نظرت إلى القواعد الدقيقة التي تحكم الذرات والجزيئات الفردية، فإنها لا تهتم بالوقت. إذا صورت كرتي بلي تصطدمان ببعضهما البعض وشغلت الفيديو بالعكس، سيبدو المشهد متطابقًا تمامًا. قوانين الفيزياء "عكوسة زمنيًا". فكيف نحصل على شارع ذي اتجاه واحد للزمن بينما كل خطوة في العملية هي شارع ذو اتجاهين؟ هذا اللغز أزعج العلماء لأكثر من قرن. ويسمونه "سهم الزمن". ولحله، يستخدمون عادةً أداة رياضية معقدة تسمى "مبرهنة H"، والتي تعمل مثل لوحة نتائج تنخفض دائمًا مع استقرار النظام في حالة التوازن. ولكن ماذا لو لم نكن نعرف قواعد اللعبة؟ ماذا لو سلمنا مجرد بيانات لحاسوب وسألناه أن يكتشف في أي اتجاه يتدفق الزمن؟

مهمة الورقة البحثية: تعليم روبوت الشعور بالزمن

في هذه الورقة، سعى المؤلفون لمعرفة ما إذا كان نموذج تعلم آلي يمكنه إعادة اكتشاف "سهم الزمن" هذا من تلقاء نفسه، دون إخباره بالإجابة. لم يعطوا الحاسوب صيغة مبرهنة H أو أي كتب فيزياء. بدلاً من ذلك، أنشأوا عالمًا افتراضيًا مليئًا بـ 1,000 قرص صلب (مثل كرات بلي مثالية وصغيرة) تتصادم وتتحرك داخل صندوق مربع. بدأوا هذه الأقراص في حالة فوضوية وعشوائية حيث تتحرك جميعها بنفس السرعة ولكن في اتجاهات مختلفة. ثم تركوا المحاكاة تعمل، مسجلين موقع وسرعة كل قرص في كل لحظة.

كانت مهمة الحاسوب بسيطة ولكنها صعبة: النظر إلى لقطتين من هذا الغاز المتصادم — واحدة من وقت مبكر، وأخرى من وقت لاحق — وتخمين أيهما جاء أولاً. القاعدة الوحيدة التي أُعطيت للحاسوب هي: "اللقطة اللاحقة يجب أن تحصل على درجة أعلى من اللقطة السابقة". وللقيام بذلك، بنى الباحثون نوعًا خاصًا من الشبكات العصبية (نوع من الذكاء الاصطناعي) يسمى نموذج "DeepSets". هذا النموذج مصمم ليكون "ثابت التبديل" (permutation-invariant)، وهي طريقة معقدة تعني أنه لا يهتم بأي جسيم هو أي واحد. إذا بدلت أسماء جسيمين، يظل جواب الحاسوب كما هو، تمامًا كما في الواقع حيث لا تتغير الفيزياء إذا أعدت تسمية الذرات.

تم تدريب النموذج باستخدام "خسارة الترتيب" (ranking loss)، وهو نظام تسجيل يعاقب الحاسوب إذا خمن الترتيب بشكل خاطئ. وللتأكد من أن الحاسوب لن يغش عبر إعطاء إجابة صغيرة لكل شيء، أجبر الباحثون النتائج على أن تكون معيارية ضمن كل مجموعة من البيانات. تم تدريب النموذج لمدة 120 "حقبة" (دورة عبر البيانات). في البداية، كان الحاسوب يخمن فقط. ولكن حول الحقبة الستين، حدث شيء مثير للاهتمام: أصبح الحاسوب فجأة أفضل بكثير في مهمته. انخفض الخطأ في ترتيبه بشكل حاد، وبدأ يميز بوضوح بين الحالات "المبكرة" و"اللاحقة".

الكشف الكبير: هل وجد دالة H؟

الجزء الأكثر إثارة في الورقة هو ما تعلمه الحاسوب بالفعل. قارن الباحثون "الدرجة" التي أعطاها الحاسوب للقطات مع "دالة H" الفعلية، وهي الصيغة الرياضية الشهيرة التي اخترعها بولتزمان عام 1872 لقياس مدى ابتعاد النظام عن التوازن. وجدوا أن الدرجة التي تعلمها الحاسوب تطابق دالة H تقريبًا، بمجرد تعديلها وفق إزاحة بسيطة في المقياس والموقع.

بمعنى آخر، استطاع الذكاء الاصطناعي، الذي قيل له فقط "اللاحق أكبر من السابق"، أن يكتشف بشكل مستقل دالة رياضية تسلك سلوك مبرهنة H تمامًا. لقد اكتشف أنه بينما يسترخي الغاز وتنتشر سرعات الجسيمات لتصبح نمطًا سلسًا وقابلًا للتنبؤ (توزيع ماكسويل-بولتزمان)، فإن قيمة هذه الدالة تتغير بطريقة محددة ورتيبة. تظهر الورقة أن ديناميكيات النظام وحدها كافية لتوجيه النموذج نحو هذا الهيكل.

ومع ذلك، يلاحظ المؤلفون بحذر أن هذه النتيجة تأتي من محاكاة محددة لـ 1,000 قرص صلب ذات تصادمات مرنة. هم لا يدعون أن هذا يثبت مبرهنة H لكل نظام ممكن في الكون. إنهم يقترحون أن هذا النهج يعمل جيدًا لهذا الإعداد المحدد، حيث تعلم النموذج تتبع الاسترخاء نحو التوازن دون أن يُعرض عليه الصيغة أبدًا. كما وجدوا أن معامل "درجة الحرارة" في خسارة التدريب الخاصة بهم كان مهمًا جدًا: درجة حرارة منخفضة (0.1) جعلت مخرجات النموذج سلسة وموثوقة، بينما جعلت درجة الحرارة العالية (1.0) المخرجات متذبذبة وغير مستقرة بالقرب من النهاية.

لذا، فإن الورقة لا تحل اللغز الفلسفي العميق لسبب تدفق الزمن في اتجاه واحد، لكنها تظهر أن الآلة، التي غُذيت فقط بالبيانات الخام وقاعدة ترتيب بسيطة، يمكنها "تعلم" نفس السهم الرياضي للزمن الذي قضى علماء الفيزياء عقودًا في اشتقاقه. إنها تشير إلى أن المسار نحو التوازن قوي ومنظم لدرجة أن حتى الشبكة العصبية يمكنها العثور عليه بمجرد مراقبة الجسيمات وهي تتصادم.