Replicating weak-lensing summary-statistic covariances with normalizing flows
توضح هذه الورقة أنه بينما يمكن لنماذج التدفق الطبيعي (normalizing flow models) إعادة إنتاج المتوسط والتباين لإحصائيات التلخيص لعدسات الجاذبية الضعيفة بدقة، إلا أنها تميل إلى التقليل من تقدير عناصر التباين غير القطرية بنسبة تصل إلى 25% ما لم تُطبق استراتيجيات تخفيف مثل تعزيز البيانات والتدريب باستخدام حقول مشوشة لتحسين الاسترداد ليكون ضمن نطاق 5%.
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
تخيل الكون كأنه محيط شاسع وغير مرئي من المادة، يتكون في معظمه من مادة غامضة تسمى "المادة المظلمة" التي لا يمكننا رؤيتها بشكل مباشر. ولرسم خريطة لهذا المحيط الخفي، يلعب علماء الفلك لعبة "بلياردو كونية"؛ حيث يراقبون المجرات البعيدة التي تعمل مثل كرات بلياردو صغيرة، ويلاحظون كيف يتغير شكلها قليلاً، فتصبح مضغوطة أو ممتدة بينما ينتقل ضوؤها عبر جاذبية محيط المادة المظلمة. هذا التمدد يسمى "العدسة الجاذبية الضعيفة". ومن خلال قياس مدى "انضغاط" ملايين هذه الكرات المجرية، يستطيع العلماء إعادة بناء خريطة ثلاثية الأبعاد لهيكل الكون الخفي.
ومع ذلك، فإن الكون فوضوي؛ فالمادة المظلمة ليست موزعة بسلاسة مثل بحيرة هادئة، بل تتكتل معاً بطريقة عشووية ومتعرجة، خاصة في المقاييس الصغيرة. ولفهم هذه الفوضى، يحتاج العلماء إلى تشغيل عمليات محاكاة حاسوبية ضخمة لإنشاء "أكوان وهمية" ومقارنتها ببيانات التلسكوبات الحقيقية. لكن تشغيل هذه المحاكاة يشبه محاولة خبز مليار كعكة في وقت واحد، إذ يتطلب الأمر قدرة حوسبة هائلة تصبح بمثابة عقبة رئيسية. وهنا يأتي دور نوع جديد من الذكاء الاصطناعي يسمى "التدفقات الطبيعية" (Normalizing Flows). فكر في هذه التدفقات كأنها آلة سحرية وعكسية تتعلم "وصفة" الكون؛ فبمجرد تدريبها، يمكنها فوراً خبز أكوان وهمية جديدة تبدو تماماً مثل الأكوان الحقيقية، مما يوفر على العلماء سنوات من الانتظار حتى ينتهي الحاسوب من عمله. ولكن قبل أن نثق في هذه الآلة السحرية لمساعدتنا في حل أسرار الكون، يجب أن نتأكد من أنها تخبز بالفعل النوع الصحيح من الكعك، وليس مجرد كعكة مزيفة تبدو جميلة فحسب.
تضع هذه الورقة البحثية تلك الآلة السحرية قيد الاختبار. فقد قام الباحثون، خواكين أرميجو، ولياندر ثيلي، وجيا ليو، بتدريب نموذج "التدفق الطبيعي" على مجموعة من عمليات المحاكاة الكونية عالية الجودة المسماة SLICS. كان هدفهم هو معرفة ما إذا كان بإمكان الذكاء الاصطناعي إعادة إنتاج "الإحصاءات الملخصة" للكون بدقة مثالية، وهي باختصار الأرقام الرئيسية التي تصف شكل وبنية خرائط المادة المظلمة. وقد ركزوا على ثلاث طرق محددة لقياس الكون: "طيف القدرة الزاوي" (الذي يقيس مدى حدوث التكتل عند أحجام مختلفة)، و"دالة كثافة الاحتمالية" (التي تحصي عدد مرات ظهور مستويات معينة من التكتل)، و"دوال مينكوفسكي" (التي تصف شكل وترابط الشبكة الكونية، مثل عدد الثقوب أو الحلقات الموجودة).
وجد الفريق أن الذكاء الاصطناعي بارع بشكل مفاجئ في ضبط الأساسيات؛ فعندما طلبوا من النموذج إنشاء خرائط وهمية، تم إعادة إنتاج متوسط حجم التكتلات ومتوسط مقدار التباين ("المتوسط" و"التباين") بدقة مذهلة، غالباً في حدود 1% من عمليات المحاكاة الحقيقية. وكأن الذكاء الاصطناعي قد تعلم "الوصفة المتوسطة" بشكل مثالي. ومع ذلك، تصبح القصة أكثر تعقيداً عند النظر في "التباين المشترك" (Covariance)، وهو مصطلح تقني يشير إلى كيفية ارتباط الأجزاء المختلفة من الخريطة ببعضها البعض. تخيل أنك تعرف متوسط ارتفاع غابة، لكنك لا تعرف ما إذا كانت الأشجار الطويلة تميل للنمو في مجموعات أم تنتشر بشكل عشوائي؛ وجدت الورقة أنه بينما نجح الذكاء الاصطناعي في ضبط متوسط الارتفاع، إلا أنه واجه صعوبة في تعلم أنماط التكتل. وفي كثير من الحالات، قلل الذكاء الاصطناعي من تقدير الروابط بين الأجزاء المختلفة للخريطة بنسبة تصل إلى 25%. كان الأمر كما لو أن الذكاء الاصطناعي عرف أن الغابة تحتوي على أشجار، لكنه اعتقد أن الأشجار كانت أكثر تشتتاً وأقل ترابطاً مما هي عليه في الواقع.
لم يتوقف الباحثون عند اكتشاف المشكلة فحسب، بل حاولوا إصلاحها أيضاً. فقد اختبروا ثلاث استراتيجيات مختلفة لمساعدة الذكاء الاصطناعي على فهم الكون بشكل أفضل: أولاً، جعلوا "دماغ" الذكاء الاصطناعي (الشبكة العصبية) أكبر وأكثر تعقيداً. ثانياً، استخدموا "تعزيز البيانات"، وهو ما يشبه أخذ بضع صور للكون، وتقطيعها إلى قطع أصغر، وتدويرها لإنشاء المزيد من أمثلة التدريب. وثالثاً، وهو الأهم، أضافوا "الضجيج" إلى بيانات التدريب، لمحاكاة نوع التشويش أو الضبابية التي تراها التلسكوبات الحقيقية. واكتشفوا أن إضافة هذا الضجيج كانت هي "الخلطة السرية"؛ فعندما تم تدريب الذكاء الاصطناعي على خرائط مشوشة، تحسنت قدرته على إعادة إنتاج الروابط المعقدة (التباين المشترك) بشكل كبير، حيث انخفض الخطأ إلى حوالي 3% لطيف القدرة.
تخلص الورقة إلى أنه رغم كون "التدفقات الطبيعية" أداة قوية لتوليد أكوان وهمية، إلا أنها ليست مثالية في حالتها الأصلية. فإذا استخدم العلماء هذه الخرائط المولدة بالذكاء الاصطناعي دون معالجة مشكلة التقليل من تقدير الروابط، فقد ينتهي بهم الأمر بنتائج تبدو "واثقة للغاية"، مما يدفعهم للاعتقاد بأنهم يعرفون أسرار الكون بشكل أفضل مما هم عليه في الواقع. وتشير الدراسة إلى أنه من خلال استخدام تقنيات مثل إضافة الضجيج وتوسيع بيانات التدريب، يمكننا جعل هذه النماذج أكثر موثوقية. وهذه خطوة حاسمة للأمام، تضمن لنا أنه عندما نستخدم هذه الخرائط السريعة المولدة بالذكاء الاصطناعي لدراسة الطاقة المظلمة ومصير الكون، فإننا لا ننظر فقط إلى وهم جميل، بل إلى تمثيل صادق للواقع الكوني.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.