تخيل أنك تحاول تعليم حاسوب التنبؤ بكيفية حركة قطعة "نحلة" (spinning top) دوارة، أو روبوت سباحة، أو سرب من الطائرات بدون طيار. لديك فيديو لحركتها، يوضح مواقعها وسرعاتها، لكن ليس لديك نافذة مباشرة تطل على "التروس الخفية" بداخلها — تلك القوى أو الزخم الخفي الذي يحرك الحركة فعلياً. هذا هو تحدي التعلم الآلي المستند إلى الفيزياء: تعليم الذكاء الاصطناعي فهم قوانين الطبيعة بمجرد مراقبة الأشياء وهي تحدث.

عادةً، عندما نحاول التنبؤ بالحركة، ننظر إلى الأشياء المرئية (أين هي وما مدى سرعتها) ونخمن الخطوة التالية. لكن بالنسبة للعديد من الأنظمة المعقدة، مثل جسم صلب يدور في الفضاء أو مركبة تتنقل عبر سائل، فإن السرعة المرئية ليست كافية لإخبار القصة كاملة. المحرك الحقيقي للنظام يعيش في مساحة رياضية خفية تسمى الزخم (Momentum). فكر في الزخم مثل التوتر الخفي في شريط مطاطي؛ لا يمكنك رؤية التوتر نفسه، بل ترى فقط الحركة التي يسببها. إذا حاولت التنبؤ بالمستقبل بالنظر إلى الحركة فقط، فقد تغفل عن هذا التوتر الخفي، مما سيؤدي بتنبؤاتك في النهاية إلى الانحراف نحو العبث.

علاوة على ذلك، بعض هذه الأنظمة تكون "متدهورة" (degenerate)، بمعنى أن القواعد فيها مكسورة أو غير مكتملة. في هذه الحالات، لا تملك السرعة المرئية حتى مجموعة خاصة من القواعد لتتبعها؛ فهي تعتمد كلياً على ذلك التوتر الخفي. محاولة التنبؤ بالمستقبل دون معرفة هذا التخم هو مثل محاولة تخمين النقلة التالية في لعبة شطرنج عندما لا ترى سوى القطع على اللوحة ولكن لا تعرف قواعد كيفية تحركها. يتناول هذا البحث هذه المشكلة تحديداً: كيف نعلم الكمبيوتر استنباط القواعد الخفية والقوى غير المرئية بمجرد مراقبة الرقصة المرئية.

حلقة فك الشفرة السرية للحركة الخفية

لقد ابتكر مؤلف هذا البحث، فاختانج بوتكارادزي، نوعاً جديداً من الذكاء الاصطناعي يسمى الشبكات العصبية لـ "لي-بواسون" الكامنة (Latent Lie-Poisson Neural Networks - LLPNNs). فكر في هذا كأنه "حلقة فك الشفرة السرية" التي تسمح للحاسوب باكتشاف القوى الخفية وغير المرئية التي تحرك النظام، حتى عندما لا يرى إلا النتائج المرئية.

معظم نماذج الذكاء الاصطناعي التي تحاول التنبؤ بالحركة تعمل مثل طالب يحفظ مفتاح الإجابات فقط. ينظرون إلى أين كان الجسم الآن وأين كان قبل ثانية، ثم يخمنون أين سيكون في اللحظة التالية. هذا يعمل بشكل جيد للأشياء البسيطة، ولكن بالنسبة للأنظمة المعقدة مثل الأقمار الصناعية الدوارة أو المركبات تحت الماء، فإن هذه النماذج ترتبك في النهاية. إنهم ينسون "قوانين الحفظ" — القواعد الأساسية التي لا تكسرها الطبيعة أبداً، مثل حقيقة أن قطعة "النحلة" الدوارة يجب أن تحافظ على إجمالي دورانها ما لم يدفعها شيء ما. ولأنهم ينسون هذه القواعد، فإن تنبؤاتهم تنحرف ببطء عن الواقع، مثل خريطة تصبح خاطئة قليلاً كل يوم حتى تجد نفسك في المحيط بدلاً من المدينة.

تصبح المشكلة أكثر تعقيداً عندما يكون النظام "متدهوراً". في هذه الحالات، تكون السرعة المرئية (مثل سرعة سيارة تسير للأمام) ثابتة أو محددة، لكن الزخم الخفي (القوة غير المرئية التي تجعلها تنعطف) يتغير بجنون. الأمر يشبه مراقبة سيارة تسير بسرعة ثابتة تماماً تبلغ 60 ميلاً في الساعة على طريق مستقيم. بالنسبة لمراقب عادي، تبدو السيارة مملة وغير متغيرة. ولكن إذا كانت هذه السيارة في الواقع فوق "لعبة دوارة" (merry-go-round) عملاقة غير مرئية، فإن الزخم الخفي سيكون في حالة دوران جنونية رغم أن السرعة تبدو كما هي. نماذج الذكاء الاصطناعي القياسية تتعثر هنا لأنها لا تستطيع رؤية اللعبة الدوارة؛ هي ترى فقط السرعة الثابتة. تحاول هذه النماذج ابتكار قاعدة للسرعة، لكن لا توجد قاعدة كهذه لأن السرعة هي مجرد ظل للدوران الخفي.

كيف يحل هذا الذكاء الاصطناعي الجديد اللغز

تحل شبكات LLPNNs هذه المشكلة من خلال إدراك أنه على الرغم من عدم قدرتنا على رؤية الزخم الخفي، يمكننا استنتاجه باستخدام "خدعة سحرية" من الفيزياء تسمى مبرهنة نويثر (Noether's Theorem). تنص هذه المبرهنة على أنه إذا كان للنظام تناظر معين (مثل كونه متماثلاً بغض النظر عن كيفية تدويره)، فهناك كمية خفية لا تتغير أبداً.

تعمل طريقة المؤلف كالتالي:

1. الثابت الخفي: يفترض الذكاء الاصطناعي وجود متجه "زخم مكاني" خفي وثابت (لنسمه $p_0$) يبقى كما هو للأبد، حتى بينما يدور الجسم ويتحرك.
2. إعادة البناء: باستخدام المسار المرئي للجسم (موقعه واتجاهه)، يستخدم الذكاء الاصطناعي جسراً رياضياً يسمى الفعل المساعد (coadjoint action) لإعادة بناء ما يجب أن يكون عليه الزخم الخفي في كل لحظة للحفاظ على ثبات $p_0$. الأمر يشبه رؤية ظل يتحرك عبر جدار وإدراك أن: "آه، الجسم الذي يلقي الظل يجب أن يدور بهذه الطريقة ليحافظ على ثبات مصدر الضوء".
3. تعلم القواعد: بمجرد أن يعيد الذكاء الاصطناعي بناء الزخم الخفي، فإنه يتعلم القواعد الفعلية (الهاملتوني - Hamiltonian) التي تحكم كيفية تغير ذلك الزخم. وهو يفعل ذلك باستخدام نهجين مختلفين:
   • نهج فك التشفير (Decoder Approach): يتعلم دالة تترجم الزخم الخفي إلى سرعة مرئية.
   • نهج الترميز (Encoder Approach): يتعلم دالة تترجم السرعة المرئية مرة أخرى إلى زخم خفي (ولكن فقط للأجزاء من النظام المسموح لها بالتغير).

ما الذي وجدوه

اختبر المؤلف هذا الذكاء الاصطناعي الجديد في ثلاث سيناريوهات مختلفة وصعبة للغاية:

1. جسم صلب دوار: نسخة معممة من قطعة "نحلة" دوارة على كرة ثلاثية الأبعاد (SO(3)).
2. مركبة تحت الماء: روبوت معقد يتحرك عبر الماء، يتعامل مع كل من الدوران والإزاحة (SE(3)).
3. سرب من الطائرات بدون طيار: عدة مركبات ذاتية القيادة على مستوى ثنائي الأبعاد، حيث تكون بعض قواعد الحركة "متدهورة" (السرعة للأمام ثابتة، لكن الدوران يتم التحكم فيه بواسطة قوى خفية).

في جميع الحالات الثلاث، تمكنت شبكات LLPNN من تعلم الديناميكيات الخفية والتنبؤ بالمستقبل بـ دقة ممتازة على المدى الطويل.

• "سحر" الحفظ: النتيجة الأكثر إثارة للإعجاب هي أن الذكاء الاصطناعي حافظ على "ثوابت كازيمير" (Casimir invariants) (الكميات المحفوظة الخفية) بدقة تصل إلى دقة الآلة. وهذا يعني أن الذكاء الاصطناعي لم يكتفِ بتخمين الأرقام الصحيحة فحسب، بل ضمن رياضياً أن القواعد الخفية للكون لم تُكسر أبداً.
• التفوق على المنافسين: عند مقارنتها بطرق ذكاء اصطناعي شائعة أخرى مثل Neural ODEs و DeepONets (التي تنظر فقط إلى البيانات المرئية)، ظلت شبكات LLPNN على المسار الصحيح لفترة طويلة. عملت الطرق الأخرى بشكل جيد للأنظمة البسيطة، لكنها فشلت فشلاً ذريعاً عندما كان النظام "متدهوراً" (مثل سرب الطائرات بدون طيار). في تلك الحالات، انحرفت نماذج الذكاء الاصطناعي الأخرى بسرعة، متنبئة بمسارات مستحيلة لأنها لم تستطع رؤية القوى الخفية.
• المتانة: عملت الطريقة بشكل جيد حتى عندما كانت البيانات مشوبة بالضجيج (محاكاة لأخطاء المستشعرات في العالم الحقيقي).

الحدود والمستقبل

يشير البحث بعناية إلى أن هذه الطريقة ليست عصا سحرية لكل شيء. فهي تعتمد على معرفة مجموعة التناظر (Symmetry Group) للنظام مسبقاً. يجب أن تخبر الذكاء الاصطناعي: "هذه قطعة نحلة دوارة"، أو "هذه طائرة بدون طيار على مستوى مسطح". إذا كسر النظام تناظره الخاص (مثل طائرة بدون طيار تحاول الوصول إلى هدف يكسر قواعد الدوران)، فقد تواجه الطريقة صعوبة. أيضاً، الطريقة مصممة خصيصاً للأنظمة التي تتبع ديناميكيات "لي-بواسون"؛ ولا يمكن تطبيقها مباشرة على أي نظام فيزيائي عشوائي دون تلك البنية الهندسية المحددة.

ومع ذلك، بالنسبة للأنظمة التي تغطيها، تعتبر النتائج خطوة كبيرة للأمام. يوضح المؤلف أنه من خلال دمج البنية الهندسية العميقة للفيزياء مباشرة في الشبكة العصبية، يمكننا بناء ذكاء اصطناعي لا يكتفي بحفظ البيانات، بل يفهم حقاً التروس الخفية للكون. لقد أثبتوا ذلك من خلال عمليات محاكاة للأجسام الصلبة، والمركبات تحت الماء، وأسراب الطائرات بدون طيار، مما أثبت أنه حتى عندما تكون البيانات المرئية غير كاملة أو القواعد متدهورة، يمكن استعادة الحقيقة الخفية والتنبؤ بها بدقة عالية.

باختصار، يقدم هذا البحث طريقة جديدة لتعليم الحواسيب رؤية غير المرئي، مما يضمن أن تنبؤاتها بالمستقبل تحترم قوانين الفيزياء التي لا تقبل الجدل.