🔬 mesoscale physics

Unmodeled states and uncertain action outcomes in agentic scanning tunneling microscopy

تُثبت هذه الورقة أنه بينما يمكن لوكلاء النماذج اللغوية الكبيرة المتطورة أداء تهيئة رأس مجهر المسح النفقي المعقدة بشكل مستقل بعد تدريب بشري وجيز، فإن فعاليتهم تظل مقيدة في النهاية بحالات تجريبية غير مُنمذجة ونتائج أفعال غير مؤكدة، مما يسلط الضل على الحاجة إلى أن تقوم الأنظمة المستقلة المستقبلية باستنتاج الديناميكيات الخفية والعمل ضمن حدود الأجهزة الحقيقية.

المؤلفون الأصليون: Siyu Cheng, Muxian Xu, Christopher Candelora, Ilija Zeljkovic

نُشر 2026-09-24

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Siyu Cheng, Muxian Xu, Christopher Candelora, Ilija Zeljkovic

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 عالم المختبرات الفيزيائية الهادئ والمحكوم، يعتمد العلماء غالباً على الآلات لرؤية ما لا يُرى. إحدى هذه الآلات هي المجهر النفقي الماسح، وهو جهاز فائق الحساسية لدرجة تمكنه من رسم خريطة لسطح مادة ما ذرة بذرة. وللقيام بذلك، يستخدم رأس مسبار لا يتجاوز عرضه ذرة واحدة عند نهايته تماماً. يجب أن يكون هذا الرأس مشكلاً بدقة ليعمل كعين حادة؛ فإذا كان ثلماً أو تالفاً، ستكون الصور التي ينتجها ضبابية وغير مجدية. تقليدياً، كانت عملية تحضير هذا الرأس عملية بطيئة ومحبطة تتطلب خبيراً بشرياً لإجراء تعديلات دقيقة، والتخمين فيما يحدث، والمحاولة مجدداً حتى تتضح الصورة. إنها مهمة محكومة بمتغيرات خفية: فالعلماء لا يمكنهم رؤية شكل الرأس مباشرة، بل يستنتجونه فقط من الصور التي يلتقطها. والآن، دخل نوع جديد من المساعدين إلى المختبر: وكيل ذكاء اصطناعي قادر على قراءة التعليمات، ومراقبة النتائج، واتخاذ قراراته الخاصة. كان السؤال الذي أراد الباحثون الإجابة عليه هو ما إذا كان بإمكان مثل هذا الوكيل أن يتعلم كيفية إصلاح هذه الرؤوس الدقيقة بمفرده، حتى عندما تكون نتائج أفعاله غير مؤكدة وتتصرف الآلة بطرق غير متوقعة.

وضع فريق من الباحثين في كلية بوسطن (Boston College) خطة لاختبار هذه الفكرة باستخدام نوع محدد من الذكاء الاصطناعي يُعرف بنموذج اللغة الكبير. يتم تدريب هذه النماذج على كميات هائلة من النصوص ويمكنها التفكير في المشكلات المعقدة، لكن نادراً ما تم اختبارها في الواقع الفوضوي للتجربة الفيزيائية حيث لا تسير الأمور دائماً وفقاً لما هو مخطط له. بنى العلماء نظاماً يسمى "كوايل بوت" (Quailbot) ليكون جسراً بين الذكاء الاصطناعي والمجهر. سمح هذا النظام للذكاء الاصطناعي برؤية البيانات القادمة من الآلة وإرسال أوامر لتغيير الإعدادات. في البداية، علم الباحثون الذكاء الاصطناعي كيفية تشغيل المجهر من خلال فترة من الممارسة الموجهة، تماماً مثل تلميذ يتعلم من أستاذه. خلال هذا الوقت، أظهر الخبير البشري للذكاء الاصطناعي كيفية هز الرأس لإعادة تشكيله وكيفية تطبيق نبضات الجهد الكهربائي لتنظيفه. لم يتعلم الذكاء الاصطناതി الخطوات فحسب، بل تعلم أيضاً كيفية الحكم على ما إذا كانت الخطوة قد نجحت، باستخدام الصور التي يراها لتقرير ما يجب فعله بعد ذلك.

بمجرد اكتمال التدريب، ترك الباحثون الذكاء الاصطناعي يدير التجربة بالكامل بمفرده. تعمدوا البدء برأس تالف ينتج صوراً رديئة. بدأ الذكاء الاصطناعي عمله، مرسلاً أوامر لتحريك الرأس وضبط الجهد الكهربائي. كان يراقب تشكل الصور في الوقت الفعلي. وعندما رأى نتوءاً يرتفع نحو الرأس، قرر التراجع بدلاً من المخاطرة بالاصطدام. وعندما رأى شكلاً مثلثاً غريباً في الصورة يشير إلى وجود شوائب، غير استراتيجيته ونقل الرأس إلى موقع جديد. بعد حوالي سبعين دقيقة من هذا العمل المستقل، توقف الذكاء الاصطناعي وأعلن انتهاء المهمة. أظهرت الصورة النهائية التي أنتجها نمطاً واضحاً وحاداً للذرات، وهي نتيجة أكد خبير بشري لاحقاً أنها ناجحة. وفي اختبار ثانٍ، أدخل الباحثون مشكلة ميكانيكية: الجزء من الآلة الذي يحرك الرأس علق. لاحظ الذكاء الاصطناعي أن الحركة لا تعمل كما هو متوقع وعدل استراتيجيته، متخذاً خطوات أصغر وفحص النتائج بشكل متكرر أكثر. وفي النهاية نجح في تحضير الرأس، رغم تعطل الآلة.

ومع ذلك، كشفت التجربة أيضاً عن حدود هذا النوع الجديد من الاستقلالية. في أحد السيناريوهات، قام الباحثون بثني الرأس سراً قبل بدء الذكاء الاصطناعي. رأى الذكاء الاصطناعي سلوكاً غريباً، مثل ارتفاعات مفاجئة في التيار الكهربائي، وحاول تفسيرها بناءً على ما تعلمه. خمن أن الرأس قد يكون له نقطة تلامس ثانية مع السطح، لكنه لم يدرك أب ever أن الرأس منحنٍ مادياً. حاول تجربة كل وسيلة إصلاح يعرفها، ولكن لأنه لم يستطع رؤية الانحناء، لم يستطع حل المشكلة. وفي حالة أخرى، عانى الذكاء الاصطناعي لإيجاد منطقة نظيفة على العينة لأن السطح كان مغطى بالشوائب. اقترح الذكاء الاصطناعي استبدال الرأس، لكن الحل الحقيقي تطلب من الإنسان تدوير حامل العينة يدوياً، وهو إجراء ميكانيكي لا يستطيع البرنامج التحكم فيه. وبمجرد أن قام إنسان بهذه الدورة، تمكن الذكاء الاصطناعي من إنهاء المهمة بسرعة، مما يشير إلى أن الرأس كان في الواقع سليماً طوال الوقت؛ بل كان يحتاج فقط إلى مكان نظيف للنظر فيه.

تظهر هذه النتائج أنه بينما يمكن للذكاء الاصطناعي إدارة المهام الفيزيائية المعقدة بنجاح، فإنه ليس بعد بديلاً للحكم البشري في كل موقف. لقد أثبت الذكاء الاصطناعي قدرته على التعلم من الخبرة، والتكيف مع التغييرات غير المتوقعة، وحل المشكلات التي تتطلب سلسلة من القرارات. استطاع التعامل مع عدم اليقين بشأن ما إذا كانت نبضة الجهد ستؤدي إلى شحذ الرأس أو ستتسبب في تلفه بشكل أكبر. ولكن عندما تكمن المشكلة خارج المعلومات التي يمكن للآلة توفيرها - مثل رأس منحني أو انسداد ميكانيكي يتطلب التواءً فيزيائياً - يصطدم الذكاء الاصطناعي بحائط مسدود. كان بإمكانه إدراك أن هناك خطأ ما، لكنه لم يكن قادراً دائماً على معرفة السبب أو كيفية إصلاحه دون مساعدة. تشير الدراسة إلى أنه لكي يصبح العلم مستقلاً حقاً، يجب تصميم الآلات نفسها لتقدم للذكاء الاصطناعي معلومات أكثر اكتمالاً وقدرة على تنفيذ نطاق أوسع من الأفعال الفيزيائية. وحتى ذلك الحين، ستظل التجار تج الأكثر فعالية هي تلك التي تقوم على الشراكة، حيث تتولى الآلة المهام الروتينية ويتولى الإنسان التعامل مع المفاجآت.

أبحاث مشابهة