Machine learning modularity
تقدم هذه الورقة إطار عمل للتعلم الآلي قائم على نموذج "المحول" (transformer) يحقق دقة تتجاوز 99% في تبسيط التعبيرات المعقدة التي تتضمن دالات "غاما الإهليلجية" عبر تعلم تطبيق التحويلات النمطية، مما يقدم أداة مؤتمتة جديدة للحسابات الرمزية في نظريات الحقل الكمي ونظرية الأوتار.
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 المشهد الشاسع للفيزياء النظرية، حيث يحاول العلماء فهم اللبنات الأساسية للكون، توجد أداة رياضية قوية تُعرف باسم دالة التجزئة (partition function). فكّر في هذه الدالة كأنها سجل رئيسي يحصي كل طريقة يمكن لنظام من الجسيمات أن يرتب بها نفسه، بدءاً من الاهتزازات الضئيلة للأوتار وصولاً إلى الحرارة الدوامة لثقب أسود. لعقود من الزمن، اعتمد الفيزيائيون على هذه الدوال للكشف عن أسرار عميقة حول طبيعة الواقع، وخاصة كيف تظل قوانين الفيزياء متسقة حتى عندما يتغير شكل الزمان والمكان بطرق محددة وإيقاعية. هذه التغييرات الإيقاعية تُسمى التحويلات المودولارية (modular transformations)، وهي تعمل كطقم من القواعد الخفية التي تسمح لأوصاف رياضية مختلفة بتمثيل الحقيقة الفيزيائية ذاتها. ومع ذلك، كلما أصبحت الأنظمة التي تتم دراستها أكثر تعقيداً —بالانتقال من الأسطح البسيطة ثنائية الأبعاد إلى الهياكل الأكثر تعقيداً ذات الأبعاد الأعلى— تصبح التعبيرات الرياضية التي تصفها معقدة بشكل جامح؛ إذ تتحول إلى شبكات متشابكة من الدوال الخاصة التي يصعب جداً فك تشابكها يدوياً، مما يؤدي غالباً إلى حجب الأنماط البسيطة والأنيقة الكامنة تحت السطح.
لقد توجه فريق من الباحثين الآن إلى الذكاء الاصطناعي لحل مشكلة الفوضى الرياضية هذه. فمن خلال تدريب نموذج حاسوبي متطور على قواعد هذه التحويلات المودولارية، نجحوا في إنشاء نظام قادر على تبسيط هذه التعبيرات المعقدة تلقائياً. ركز الباحثون على نوعين محددين من الكائنات الرياضية التي تظهر بشكل متكرر في النظريات التي تصف مجالات الكم فائقة التماثل ونظرية الأوتار، وهما: دالة (q-theta) ودالة غاما الإهليلجية (elliptic Gamma function). هذه الدوال هي اللبنات الأساسية لدوال التجزئة المذكورة آنفاً، وهي تمتلك خاصية فريدة: وهي أنه عند تطبيق تحويلات معينة عليها، فإنها تتغير بطريقة يمكن التنبؤ بها، وغالباً ما تختزل نتاجاً فوضو بعدد كبير من الحدود إلى شكل أبسط بكثير. وتكمن المعضلة بالنسبة لعلماء الرياضيات البشر في أن عمليات التبسيط هذه تتطلب التنقل عبر متاهة من المتطابقات الجبرية، كما يمكن للتعبيرات أن تصبح مشوشة لدرجة تضيع معها البساطة الكامنة. كان هدف الفريق هو معرفة ما إذا كان بإمكان نموذج تعلم الآلة تعلم هذه القواعد جيداً بما يكفي ليأخذ تعبيراً مشوشاً ويتعرف فوراً على شكله الأكثر بساطة ومعيارية.
لتعليم الكمبيوتر، تعين على الباحثين أولاً إنشاء مكتبة ضخمة من الأمثلة. بدأوا بتعبيرات نظيفة وبسيطة، ثم قاموا بـ "تشويشها" عمداً عبر تطبيق سلسلة من التحويلات الرياضية المعروفة. خلقت هذه العملية ملايين الأزواج من البيانات، حيث يتكون كل زوج من تعبير معقد ومشوش ونسبته المقابلة من النسخة المبسطة. تم تدريب نموذج الكمبيوتر، القائم على بنية حديثة مصممة لفهم تسلسل اللغات، على النظر في المدخلات المشوشة والتنبؤ بالمخرجات النظيفة. اختبر الباحثون قدرة النموذج على تعلم هذه القواعد تحت ظروف مختلفة، بما في ذلك كيفية أخذ العينات ومدى عمق تشويش التعبيرات. ووجدوا أن النموذج يمكنه تحديد التبسيط الصحيح بدقة مذهلة، محققاً دقة تقترب من تسعة وتسعين بالمائة في الاختبارات القياسية. والأمر الأكثر إثارة للإعجاب هو أن النموذج لم يكتفِ بمجرد حفظ الأمثلة التي رآها أثناء التدريب، بل أظهر قدرة قوية على التعميم؛ فعندما عُرضت عليه تعبيرات تم تشويشها بعمق أكبر بكثير مما واجهه سابقاً، استطاع النموذج لا يزال إيجاد الشكل المبسط الصحيح بدقة عالية، مما يشير إلى أنه تعلم حقاً المنطق الكامن وراء التحويلات بدلاً من مجرد استرجاع إجابات محددة.
يمتد نجاح هذا النهج إلى ما هو أبعد من الدوال المحددة التي تم اختبارها. فقد أظهر الباحثون أن النموذج يمكنه التعامل ليس فقط مع دوال (q-theta) الأبسط، بل أيضاً مع دوال غاما الإهليلجية الأكثر تعقيداً، والتي تتضمن طبقات إضافية من البنية الرياضية. وفي هذه الحالات الأكثر صعوبة، حقق النموذج دقة تزيد عن ثلاثة وتسعين بالمائ@ في المئة حتى عند اختباره في سيناريوهات جديدة وأكثر تعقيداً. ويمثل هذا خطوة كبيرة للأمام لأنها تثبت إمكانية استخدام تعلم الآلة لأتمتة المعالجة الرمزية في مجالات الفيزياء حيث يكون الحساب البشري غالباً بطيئاً أو عرضة للخطأ. كما أوضح الباحثون أنه بينما يحدد النموذج البنية المبسطة للتعبير، فإن "الطور" العددي المحدد (numerical phase) أو الإزاحة التي تصاحب التحويل يمكن حسابها بشكل منفصل باستخدام خوارزميات رياضية راسخة. هذا التقسيم في العمل يسمح للذكاء الاصطناعي بالتركيز على التعقيد الهيكلي للمشكلة، وهو الجزء الذي غالباً ما يكون الأصعب بالنسبة للبشر.
إن تداعيات هذا العمل عملية وفورية لمجال الفيزياء النظرية. فمن خلال أتمتة تبسيط هذه التعبيرات، يمكن للعلماء تحليل خصائص الثقوب السوداء والحالات المجهرية للأنظمة الكمومية بسهولة أكبر. إن القدرة على اختزال تعبير رياضي متشابك بسرعة إلى شكله الجوهري تسمح للباحثين برؤية المعنى الفيزيائي الذي كان مخفياً في السابق. وأشار الباحثون إلى أن هذا الإطار قد يكون مفيداً بشكل خاص لدراسة دالات التجزئة على أشكال هندسية معقدة، مثل "فضاءات العدسة" (lens spaces)، حيث تكون المتطابقات الرياضية معقدة ويصعب التنقل فيها يدوياً. وبينما يركز العمل الحالي على أنواع محددة من الدوال، فإن هذا النجاح يشير إلى مسار نحو التعامل مع عائلات أكثر عمومية من الكائنات الرياضية التي تظهر في دراسة الكون. لا تدعي الدراسة أنها حلت جميع المشكلات في هذا المجال، لكنها توفر أداة جديدة قوية تثبت أن الآلات يمكنها تعلم القواعد الهيكلية العميقة للرياضيات المتقدمة، مما يقدم طريقة جديدة لاستكشاف التناظرات الأساسية للطبيعة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.