LLMs Can Tackle High Energy Theoretical Physics, yet Gaps Remain: Part I, Quantum Field Theory

إن الكون في أصغر مقاييسه ليس مجرد مجموعة من الكرات الصغيرة الصلبة، بل هو نسيج معقد من الحقول التي تمتد عبر كل الزمان والمكان. ولفهم كيفية تفاعل الجسيمات مثل الإلكترونات أو الكواركات، يستخدم الفيزيائيون إطاراً يُسمى نظرية المجال الكمي. إنها اللغة الرياضية التي تصف النموذج المعياري، وهو أفضل خريطة لدينا حالياً للمكونات الأساسية للطبيعة. ومع ذلك، فإن العمل بهذه اللغة صعب للغاية؛ إذ يتطلب التنقل عبر سلاسل طويلة من المنطق حيث يمكن لخطأ صغير واحد في الحساب أن يغير النتيجة النهائية تماماً. ولعقود من الزمن، كان حل هذه المشكلات حكراً على خبراء بشريين مدربين تدريباً عالياً، يقضون سنوات في إتقان القواعد المعقدة لهذه اللعبة.

مؤخراً، ظهر نوع جديد من الأدوات: النماذج اللغوية الكبيرة. هذه أنظمة ذكاء اصطناعي مدربة على كميات هائلة من النصوص، قادرة على القراءة والكتابة والاستنتاج. وقد أظهرت بالفعل قدرتها على حل مسائل رياضية معقدة وكتابة أكواد برمجية، غالباً بسرعة ودقة تضاهي الخبراء البشر. وهذا يثير سؤالاً رائعاً: هل تستطيع هذه النماذج القيام بالشيء نفسه بالنسبة للاستنتاج العميق والمجرد المطلوب في الفيزياء النظرية؟ هل يمكنها الإبحار في مياه نظرية المجال الكمي الغادرة، أم أنها تكتفي بمحاكاة مظهر الفهم دون جوهره؟

ولإيجاد الإجابة، قام فريق من الباحثين من مؤسسات عبر أوروبا وآسيا بإنشاء اختبار جديد صُمم خصياً لهذا الغرض. لقد بنوا مجموعة من خمسة وسبعين مسألة مليئة بالتحديات، تتراوح من المساقات الدراخت المتقدمة في مرحلة الدراسات العليا إلى مواضيع البحث في مراحلها الأولى. تغطي هذه الأسئلة المجالات الجوهرية للمجال، من سلوك الضوء والمادة إلى النظريات الغريبة التي تحاول توحيد جميع القوى. والأهم من ذلك، أن لكل سؤال في هذا الاختبار إجابة واحدة صحيحة يمكن التحقق منها بدقة رياضية. ثم طلب الباحثون من تسعة وثلاثين نموذجاً مختلفاً من نماذج الذكاء الاصطناعي حل هذه المسائل. وشملت هذه النماذج أكثر الأنظمة قوة المتاحة من شركات التكنولوجيا الكبرى، بالإضافة إلى العديد من البدائل مفتوحة المصدر التي طورها مجتمع البحث العلمي.

تكشف النتائج عن مشهد يجمع بين القدرة المذهلة والقصور المستمر. فقد أظهرت النماذج الأقوى على الإطلاق، وهي الأنظمة الأكثر تقدماً الموجودة حالياً، مستوى مفاجئاً من المهارة؛ حيث حلت الغالبية العظمى من المسائل بشكل صحيح، محققةً لدى أفضل النماذح معدلات دقة تتجاوز 95%. يشير هذا إلى أن هذه الأنظمة قد تعلمت بالفعل كيفية التنقل عبر القواعد المعقدة لنظرية المجال الكمي ويمكنها القيام بالعمليات الاشتقاقية الشاقة التي كانت تتطلب ذات يوم سنوات من الدراسة البشرية. ومع ذلك، فإن الفجوة بين الأفضل والبقية كبيرة؛ فالنماذج الأقدم، والعديد من الأنظمة مفتوحة المصدر، واجهت صعوبة كبيرة، وغالباً ما أخفقت عند مستوى المفاهيم الفيزيائية الأساسية أو تاهت في تفاصيل الاشتقاق.

لكن الحصول على الإجابة الصحيحة ليس سوى نصف القصة. فقد نظر الباحثون أيضاً عن كثب في كيفية وصول النماذج إلى استنتاجاتها، وفحصوا الاستدلال خطوة بخطوة الذي قدمته. واكتشفوا خللاً دقيقاً ولكنه مهم: حتى عندما أنتج النموذج الإجابة النهائية الصحيحة، كان المسار الذي وصفه للوصول إليها خاطئاً في بعض الأحيان. وفي بعض الحالات، كان النموذج يرتكب خطأً في خطوة وسيطة، ومع ذلك يصل بطريقة ما إلى النتيجة الصحيحة، كما لو كان قد تذكر الإجابة من بيانات تدريبه بدلاً من حسابها من جديد. هذا "عدم الإخلاص" يعني أن شرح النموذج لا يدعم فعلياً الإجابة التي قدمها. وبينما أظهرت النماذج الأكثر قدرة أقل قدر من هذا السلوك، إلا أنه كان لا يزال موجوداً، مما يشير إلى أن هذه الأنظمة ليست موثوقة تماماً في استنتاجها بعد.

كما سلطت الدراسة الضوء على طرق محددة تفشل فيها هذه النماذج. فأحياناً تخلط بين قواعد اللعبة، فتطبق صيغة قياسية بينما تتطلب المسألة نوعاً خاصاً وغير معتاد. وفي أحيان أخرى، تكتفي بارتكاب أخطاء حسابية أو تفشل في اتباع التعليمات المحددة المعطاة في الطلب. تشير هذه الأخطاء إلى أنه بينما تعلمت النماذج الشكل العام للموضوع، إلا أنها لم تتقن بعد الانضباط الصارم المطلوب لتجنب الأخطاء الصغيرة ولكن القاتلة. تؤكد الأبحاث أن الذكاء الاصطناعي بدأ بالفعل في معالجة مشكلات كانت يوماً حكراً على الفيزيائيين النظريين، لكنها تظهر أيضاً أننا لسنا بعد في نقطة تسمح لنا بالوثوق بهذه الأدوات للعمل بمفردها تماماً. إن الرحلة نحو ذكاء اصطناعي يمكنه حقاً اكتشاف فيزياء جديدة قد بدأت، ولكن لا تزال هناك فجوات واضحة يجب جسرها قبل أن يمكن اعتبار هذه الأنظمة شركاء حقيقيين في الاكتشاف العلمي.