تخيل أنك محقق يحاول حل لغز، ولكن بدلاً من بصمات الأصابع أو آثار الأقدام، تكون أدلتك عبارة عن أرقام. لديك كومة من نقاط البيانات - ربما درجات حرارة، أو سرعات، أو تفاعلات كيميائية - وهدفك هو العثور على "الوصفة السرية" الخفية (معادلة رياضية) التي تشرح كيف تتناسب جميعها معاً. هذا المجال يسمى الانحدار الرمزي (Symbolic Regression). إنه يشبه محاولة إعادة هندسة كعكة بمجرد تذوق فتاتها؛ فأنت تريد معرفة قائمة المكونات الدقيقة وخطوات الخبز، وليس مجرد تخمين النكهة.

لفترة طويلة، حاولت الحواسيب القيام بذلك عبر تخمين وتجربة ملايين الوصفات العشوائية حتى تجد واحدة "طعمها صحيح". ولكن مؤخراً، منحنا الحواسيب قوة خارقة جديدة: نماذج اللغات الكبيرة (LLMs). فكر في هذه النماذج كأنها روبوتات ذكية للغاية قرأت كل كتاب تقريباً في المكتبة. إنها بارعة في فهم اللغة ورصد الأنماط، لذا أمل العلماء أن تتمكن بسهولة من كتابة هذه الوصفات السرية لنا. ومع ذلك، هناك عقبة؛ فهذه الروبوتات الذكية قد تصبح أحياناً شديدة التركيز على جعل الوصفة تطابق "الفتات" الذي أمامها تماماً، ناسية أن الوصفة الجيدة يجب أن تعمل أيضاً إذا خُبزت في فرن مختلف أو بمكونات مختلفة قليلاً. كما أنها تميل إلى تجاهل مدى تعقيد الوصفة، فتكتب أحياناً قائمة تعليمات مكونة من 10 صفحات بينما يكفي دليل بسيط من ثلاث خطوات.

هنا يأتي دور فريق جديد من الباحثين بفكرة طازجة. لقد بنوا نظاماً يسمى MOT-SR (اكتشاف المعادلات العلمية المعزز بالأدوات متعدد الأهداف). وبدلاً من ترك الروبوت يخمن فحسب، أعطوه "صندوق أدوات علمي" ومجموعة صارمة من القواعد لاتباعها. تخيل رئيس طهاة لا يكتفي بتذوق الطعام فحسب، بل يستخدم أيضاً ميزان حرارة، وميزاناً، ومجهراً لفهم "سبب" مذاق الطعام بهذا الشكل. يستخدم MOT-SR هذه الأدوات لتحليل البيانات أولاً، ثم يطلب من الروبوت كتابة معادلة ليست دقيقة فحداً فحسب، بل بسيطة وقوية بما يكفي للعمل في مواقف جديدة.

اختبر الباحثون هذا النظام على 40 لغزاً مختلفاً، تتراوح من كيفية نمو البكتيريا إلى كيفية تمدد المواد. ووجدوا أن MOT-SR كان أفضل بكثير في إيجاد "الوصفات السرية" مقارنة بالطرق السابقة. لم يكتفِ بإيجاد الإجابة الصحيحة فحسب، بل وجد إجابات كانت أبسط وعملت بشكل أفضل عندما تغيرت الظروف. لكن الاختبار الحقيقي جاء عندما جربوه على مسألة من أقاصي الفضاء: نمذجة رقصة ثقبين أسودين يلتفان حول بعضهما البعض. في هذا السيناريو، يمكن لخطأ ضئيل جداً في المعادلة أن يجعل الكمبيوتر يفقد تتبع الثقبين بعد فترة طويلة. اكتشف MOT-SR صيغة تصحيح صغيرة أبقت الثقبين على المسار الصحيح، مما قلل الخطأ بمقدار هائل مقارنة بالطرق الأخرى. لقد أثبت أنه من خلال الجمع بين الأدوات الذكية والنهج المتوازن بين البساطة والدقة، يمكننا مساعدة الحواسيب على اكتشاف القوانين الأساسية للكون بشكل أكثر موثوقية.

الفكرة الجوهرية: محقق مع حقيبة أدوات

يتناول البحث مشكلة حيرت العلماء لسنوات: كيف نجعل الحواسيب تجد أبسط وأدق المعادلات الرياضية المختبئة داخل بيانات فوضوية. وبينما أظهرت نماذج الذكاء الاصطناي الحديثة (LLMs) وعوداً، يرى المؤلفون أن لديها عيبين رئيسيين. أولاً، غالباً ما تكون "عمياء" عن العلاقات المحددة بين المتغيرات؛ فهي تخمن دون فهم حقيقي لبنية البيانات. ثارياً، هي تهتم عادة بشيء واحد فقط: جعل الأرقام تتطابق تماماً في اللحظة الراهنة. يؤدي هذا إلى "الفرط في التخصيص" (Overfitting)، حيث يحفظ الذكاء الاصطناعي نقاط البيانات المحددة التي أُعطيت له، لكنه يفشل فشلاً ذريعاً عند مواجهة بيانات جديدة لم يرهَا من قبل. الأمر يشبه طالباً يحفظ إجابات اختبار تجريبي لكنه يرسب في الامتحان الحقيقي لأنه لم يفهم المفاهيم.

لإصلاح ذلك، يقترح المؤلفون MOT-SR، وهو إطار عمل يعمل كفريق تعاوني من العلماء. يعمل النظام في حلقة مع شخصيتين رئيسيتين من الذكاء الاصطناعي:

1. مولد الاستراتيجية الميتا (The Meta Strategy Generator): هذا هو المحقق. قبل أن يطلب معادلة جديدة، يستخدم مجموعة من الأدوات الخارجية (مثل فاحصات الارتباط، ومحللات التردد، وأدوات الاكتشاف السببي) لفحص البيانات. يسأل أسئلة مثل: "هل يتحرك هذان المتغيران بالتزامن؟" أو "هل هناك إيقاع خفي هنا؟". ثم يكتب "استراتيجية بحث" بناءً على هذه النتائج.
2. مولد المعادلات (The Equation Generator): هذا هو الكاتب. يأخذ استراتيجية المحقق ويولد معادلات مرشحة جديدة.

الأمر الجوهل هو أن MOT-SR لا يبحث فقط عن المعادلة "الأفضل" بناءً على درجة واحدة. بل يستخدم تقييماً متعدد الأهداف. فهو يحكم على كل معادلة من ثلاثة جبهات في آن واحد:

• الدقة: هل تناسب البيانات التي لدينا؟
• التعميم: هل تعمل على بيانات لم نرها من قبل (تحديداً البيانات من "أطراف" مجموعة البيانات)؟
• التعقيد: هل المعادلة بسيطة وسهلة القراءة، أم أنها كتلة متشابكة؟

يحتفظ النظام بـ "جبهة باريتو" (Pareto front)، وهي في الأساس لوحة صدارة لأفضل المقايضات. فهو يرفض قبول معادلة دقيقة للغاية ولكنها معقدة بشكل مستحيل، أو معادلة بسيطة ولكنها غير دقيقة بشكل صارخ. إنه يصقل بحثه باستمرار، مستبعداً الأفكار السيئة ويركز على الأكثر واعداً.

النتائج: من الاختبارات المعيارية إلى الثقوب السوداء

اختبر المؤلفون MOT-SR على مجموعة متنوعة من الألغاز العلمية القياسية، بما في ذلك الأنظمة المتذبذبة (مثل البندول المتأرجح)، والنمو البيولوجي (بكتيريا E. coli)، واختبارات إجهاد المواد. وقارنوه بالطرق القديمة وبالنهج القائمة على الذكاء الاصطناعي الأخرى.

كانت النتائج واضحة: تفوق MOT-SR باستمرار على المنافسين. في الاختبارات المعيارية، وجد معادلات ذات أخطاء أقل بكثير. على سبيل المثال، في إحدى مهام التذبذب، حقق معدل خطأ قدره $1.27 \times 10^{-15}$ تقريباً، وهو ما يكاد يكون صفراً، بينما كانت الطرق الأخرى عالقة عند أخطاء في حدود $10^{-5}$. كما وجد معادلات أكثر إيجازاً (أقصر وأبسط) وتعممت بشكل أفضل على البيانات الجديدة.

لكن اختبار "المستوى الأخير" (Boss Level) كان في الفيزياء الفلكية. طبق الباحثون MOT-SR على الاندماجات ذات النسب الكتلية المتطرفة (EMRIs). هذا سيناريو حيث يلتف جسم مدمج صغير (مثل نجم نيوتروني) حول ثقب أسود ضخم. هذه مشكلة حرجة لأجهزة كشف موجات الجاذبية المستقبلية القائمة على الفضاء. الفيزياء هنا حساسة للغاية؛ إذا كانت معادلتك تحتوي على خطأ ضئيل جداً، فقد تبدو جيدة لبضع ثوانٍ، ولكن عبر آلاف المدارات، يتراكم هذا الخطأ الضئيل، ويصبح المسار المتوقع للثقب الأسود خاطئاً تماماً.

في هذا الاختبار، كُلف MOT-SR بإيجاد صيغة تصحيح لتقريب معروف (PN5) كان غير دقيق قليلاً. اكتشف النظام صيغة تصحيح رمزية مدمجة. وعندما اختبروا هذه الصيغة الجديدة على 30 تكويناً غير مرئي تماماً للثقوب السوداء (تكوينات لم يرها الذكاء الاصطناعي أثناء تدريبه)، كان أداؤها ممتازاً بشكل ملحوظ.

• كان خطأ تصحيح MOT-SR أقل بحوالي 26.8 مرة من أفضل طريقة ذكاء اصطناعي سابقة (LLM-SR).
• كان أفضل بحوالي ثلاث مراتب عشرية (1,000 مرة) من نموذج الشبكة العصبية الأساسي.
• والأهم من ذلك، بينما استمرت المحاكاة لفترة أطول (تحاكي سنوات من الزمن)، نمت الأخطاء في نموذج الشبكة العصبية بشكل هائل، بينما ظل خطأ MOT-SR صغيراً ومستقراً.

ماذا يعني هذا؟

يشير البحث إلى أن مفتاح إطلاق العنان للإمكانات الكاملة للذكاء الاصطناعي في العلوم ليس مجرد جعل الذكاء الاصطناعي "أذكى" أو إعطائه مزيداً من البيانات. بل يتعلق الأمر بمنحه الأدوات الصحيحة لتحليل البيانات وإجباره على الموازنة بين الدقة والبساطة والموثوقية. من خلال محاكاة العملية العلمية البشرية — تحليل البيانات، صياغة الفرضيات، واختبارها وفق معايير متعددة — يمكن لـ MOT-SR العثور على معادلات ليست صحيحة رياضياً فحسب، بل ذات معنى فيزيائي وموثوقة على فترات طويلة.

يلاحظ المؤلفون بعناية أن هذا مجرد محاكاة ودراسة معيارية؛ فهم لم يكتشفوا بعد قانوناً فيزيائياً جديداً يغير العالم، لكنهم أثبتوا وجود منهجية جديدة قوية للقيام بذلك. كما يشيرون إلى أن نظامهم الحالي يعتمد على مجموعة ثابتة من الأدوات والأهداف، وأن العمل المستقبلي سيحتاج إلى أتمتة اكتشاف أدوات جديدة والتعامل مع بيانات أكثر تعقيداً وعالية الأبعاد. ومع ذلك، فإن النجاح في مشكلة EMRI يشير إلى أن هذا النهج يمكن أن يكون نقطة تحول في نمذجة الديناميكيات العلمية المعقدة وطويلة الأمد حيث تكون الدقة هي كل شيء.