The Blume-Capel Model as a $\phi^6$ Field Theory: A Monte Carlo and Flow Model Study

في عالم علوم المواد، يدرس الباحثون غالبًا كيف تقرر الجسيمات الدقيقة داخل مادة ما أن تصطف أو تتشتت، وهي عملية تحدد ما إذا كانت المادة مغناطيسية، أو فائقة التوصيل، أو مجرد مادة غير منظمة. ولفهم هذه التحولات، يستخدم العلماء نماذج رياضية مبسطة تعمل كأكوان مصغرة، حيث يمكنهم مراقبة سلوك النظام مع تغيير درجة الحرارة أو القوى المؤثرة على الجسيمات. ومن أشهر هذه النماذج "نموذج إيسينج" (Ising model)، الذي يتخيل مغناطيسات صغيرة لا يمكنها إلا أن تشير إلى اتجاهين فقط، مثل عملة معدنية تكون إما "صورة" أو "كتابة". وهناك نسخة أكثر تعقيدًا، تُعرف باسم "نموذج بلوم-كابيل" (Blume-Capel model)، تضيف خيارًا ثالثًا: يمكن للمغناطيس أن يختار الاختفاء تمامًا، تاركًا وراءه فراغًا. هذا الخيار الإضافي يسمح للنموذج بمحاكاة المواد الواقعية حيث يمكن أن تكون الذرات موجودة أو غائبة، مما يؤدي إلى مجموعة أغنى من السلوكيات، بما في ذلك التحولات المفاجئة والدراماتيكية في حالة المادة.

لعقود من الزمن، اعتمد العلماء على محاكاة حاسوبية قوية لاستكشاف هذه النماذج، لكن هذه المحاكاة تواجه عقبة كبيرة. فعندما تكون المادة على وشك تغيير حالتها، غالبًا ما تتعثر الخوارزميات الحاسوبية المستخدمة لتتبع الجسيمات، وتستغرق وقتًا طويلاً بشكل مستحيل لاستكشاف جميع الترتيبات الممكنة. يُعرف هذا بـ "التباطؤ الحرج" (critical slowing down). ومؤخرًا، ظهر نوع جديد من الذكاء الاصطناعي، يُسمى "التدفق الطبيعي" (normalizing flow)، كحل محتمل. هذه البرامج المتطورة مدربة على تعلم الأنماط المعقدة للنظام ثم توليد لقطات جديدة ومستقلة لذلك النظام فورًا، متجاوزة بذلك العملية البطيئة خطوة بخطوة للطرق التقليدية. ومع ذلك، يبقى السؤال قائمًا حول ما إذا كانت أدوات الذكاء الاصطناعي هذه يمكنها التعامل مع السيناريوهات الأكثر صعوبة، مثل عندما تكون المادة عالقة بين حالتين مختلفتين تمامًا أو عندما يكون التحول مفاجئًا وفوضويًا.

قام فريق من الباحثين في جامعة كاليفورنيا، ديفيس، وجامعة سان خوسيه الحكومية، باختبار هذه الأدوات الجديدة باستخدام نسخة مستمرة من نموذج بلوم-كابيل. فبدلاً من إجبار الجسيمات على أن تكون منفصلة تمامًا —إما موجودة، أو غائبة، أو تشير إلى اتجاه معين— سمحوا للجسيمات بالوجود في نطاق مستمر وسلس من القيم. هذا النهج يخلق جسرًا بين النماذج البسيطة والجامدة للماضي وبين الواقع المرن والمعقد للمواد الفعلية. ومن خلال ضبط "مقبض تحكم" في محاكاتهم، استطاع الباحثون ضبط النظام بسلاسة من حالة تتصرف فيها الجسيمات كحقول ناعمة ومتذبذبة إلى حالة تكون فيها مقيدة بالسلوك ثلاثي الحالات الكلاسيكي لنموذج بلوم-كابيل. سمح هذا الإعداد لهم بمراقبة كيف يتغير سلوك المادة أثناء انتقالها من تحول مستمر لطيف إلى قفزة حادة من الدرجة الأولى، مرورًا بنقطة انقلاب خاصة تُعرف باسم "النقطة الثلاثية الحرجة" (tricritical point) حيث يلتقي هذان النوعان من التحولات.

أجرى الباحثون نوعين من المحاكاة جنبًا إلى جنب لرؤية كيف سيقارنان. الأول كان طريقة تقليدية، تستخدم خوارزمية خطوة بخطوة لاستكشاف النظام، تمامًا مثل شخص يمشي ببطء عبر متاهة، يتفحص كل منعطف. والثاني استخدم "التدفق الطبيعي"، الذي يتعلم شكل المتاهة ثم يقفز مباشرة إلى مواقع جديدة داخلها. لقد رسموا خريطة كاملة لتضاريس النموذج، موضحين بدقة أين تتغير المادة من حالة منظمة إلى غير منظمة، وأين تتحول من تغيير لطيف إلى تغيير مفاجئ. ووجدوا أن طريقة الذكاء الاصطناعي الجديدة كانت فعالة بشكل ملحوظ؛ فقد نجحت في تحديد الحدود بين حالات المادة المختلفة، بما في ذلك المناطق الصعبة حيث تكافح المادة للاختيار بين حالتين. وفي هذه المناطق الصعبة، حيث تعاني الطرق التقليدية غالبًا من الضجيج والتقدم البطيء، أنتج نموذج التدفق نتائج نظيفة ودقيقة تطابق المحاكاة التقليدية تمامًا.

كان الاكتشاف الرئيسي في عملهم هو إيجاد طريقة دقيقة لربط النموذج المستمر السلس بالنموذج المنفصل الجامد. فقد وجدوا أنه نظرًا لأن "الأودية" التي تحب الجسيمات الاستقرار فيها لها أشكال وأعماق مختلفة، فإن جعل النموذج جامدًا ببساطة لا يعيد إنتاج النموذج المنفصل الأصلي بدقة تامة. هناك حاجة إلى تصحيح دقيق، وهو إزاحة صغيرة في قيم الطاقة، لمراعاة حقيقة أن الفراغ في النموذج "أكثر ليونة" أو مرونة من المواقع المشغولة. وبمجرد تطبيق هذا التصحيح، تقارب النموذج المستمر تمامًا مع السلوك المعروف للنموذج المنفصل، مما أكد أن نهجهم الجديد يلتقط الفيزياء بشكل صحيح. وهذا يوفر مسارًا واضحًا وشفافًا لفهم كيفية سلوك المواد المعقدة أثناء انتقالها من الحالة السائلة إلى الحالة الصلبة.

كما كشفت الدراسة عن كيفية أداء أدوات الذكاء الاصطناعي الجديدة مع تغير طبيعة المشكلة. فعندما يكون التحول سلسًا، يعمل نموذج التدفق بشكل جيد. وعندما يصبح التحول قفزة مفاجئة من الدرجة الأولى، حيث يجب على النظام التغلب على حاجز طاقة كبير للتبديل بين الحالات، لا يزال نموذج التدفق ينجح، متجنبًا العثرات الشائعة التي تؤدي غالبًا إلى فشل نماذج الذكاء الاصطناعي الأخرى. والأهم من ذلك، أظهر الباحثون أن نموذج التدفق يتعامل مع "النقطة الثلاثية الحرجة" —وهي النقطة الدقيقة التي يتحول فيها التحول السلس إلى قفزة مفاجئة— بنفس دقة أفضل الطرق التقليدية. وهذا يشير إلى أن أدوات التعلم الآلي هذه ليست مجرد وسيلة جديدة للمشكلات البسيطة، بل هي قوية بما يكفي لمعالجة السيناريوهات الأكثر تحديًا في الفيزياء الإحصائية.

من خلال الجمع بين تقنيات الذكاء الاصطنا هذه والفيزياء الراسخة، أنشأ الفريق طريقة جديدة قوية لدراسة تحولات الطور. لقد أثبتوا أن "التدفقات الطبيعية" يمكن أن تعمل كبديل موثوق للمحاكاة الحاسوبية التقليدية، مما يوفر طريقة لأخذ عينات من الأنظمة المعقدة دون مشكلة "الارتباط الذاتي" البطيء التي تعاني منها الطرق القديمة. لا يؤكد هذا العمل فقط نجاح الذكاء الاصطناعي، بل يقدم أيضًا خريطة مفصلة لكيفية تطور فيزياء هذه النماذج، ويثبت أن الأدوات الجديدة يمكنها التنقل في كامل المشهد، من المنحدرات اللطيفة للتغيرات المستمرة إلى المنحدرات الشديدة للتحولات المفاجئة. والنتيجة هي فهم أعمق وأكثر دقة لكيفية سلوك المواد، تم تحقيقه من خلال طريقة تتسم بالكفاءة الحسابية والدقة الفيزيائية.