Black Hole Love Numbers with Physics-Informed Neural Networks

غالبًا ما تُوصف الجاذبية بأنها انحناء في الزمكان، نسيج ناعم يتشوه بفعل الأجسام الضخمة. وعندما يقترب جسمان من هذا النوع، مثل الثقوب السوداء، من بعضهما البعض في حركة لولبية، فإنهما يمددان ويعصران هذا النسيج في نمط إيقاعي. وإذا كان أحد هذين الجسمين نجمًا صلبًا أو كوكبًا، فإن هذا التمدد سيؤدي إلى انتفاخه وتشويهه، مخزنًا الطاقة مثل الزنبرك. يقيس العلماء هذا الميل للتشوه باستخدام قيمة تسمى "رقم لوف التدي" (tidal Love number). بالنسبة للمادة العادية، يكون هذا الرقم موجبًا ويخبرنا بمدى "ليونة" الجسم. أما بالنسبة للثقوب السوداء، فإن القصة مختلفة؛ ففي نظرية الجاذبية القياسية، يكون الثقب الأسود شديد التطرف لدرجة أنه لا ينبغي أن ينتفخ على الإطلاق؛ إذ يكون رقم لوف التدي الخاص به صفرًا من الناحية النظرية. ومع ذلك، ولأن الثقوب السوداء تدور وتتفاعل مع محيطها بطرق معقدة، فإن هناك استجابة طفيفة ومحدودة تتضمن فقدان الطاقة، وهو تأثير تبددي يصعب تحديده بدقة أكبر بكثير من مجرد الصفر البسيط.

لقد كان التحدي الذي يواجه الفيزيائيين هو حساب هذه الاستجابة بدقة متناهية. إن المعادلات التي تصف كيفية تفاعل الثقب الأسود مع هذه القوى المدية صعبة الحل بشكل ملحوظ؛ فهي تتضمن نقاطًا منفردة، وهي أماكن يسلك فيها الحساب سلوكًا جامحًا، وتعتمد الإجابة على التوازن الدقيق بين سلوكين متنافسين عند حافة أفق الحدث وفي الفضاء البعيد. تقليديًا، اعتمد العلماء على صيغ تحليلية معقدة تعمل جيدًا في الحالات البسيطة، لكنها تنهار عندما تصبح المعادلات فوضوية للغاية أو عندما يدور الثقب الأسود بطرق تمنع الرياضيات من الانفصال إلى أجزاء مستقلة ومنظمة. ولتجاوز هذه القيود، لجأ فريق من الباحثين إلى نوع جديد من الأدوات: شبكة عصبية لم تُدرب فقط على التعرف على الأنماط في البيانات، بل على امتثال قوانين الفيزياء مباشرة.

في هذا العمل، طور الباحثون نظامًا يتعلم حل معادلات الاضطراب الخاصة بالثقب الأسود من الصفر. وبدلاً من تغذية الكمبيوتر بأمثلة لإجابات معروفة، علموه قواعد اللعبة. أُعطيت الشبكة العصبية المعادلات التفاضلية التي تحكم كيفية تفاعل ثقب أسود دوار مع قوة مدية ساكنة. كما أُعطيت الشروط الحدية الصارمة: يجب أن يظل الحل سلسًا ومتناهيًا عند أفق الحدث، وأن يسلك سلوكًا محددًا مع ابتعاده نحو اللانهاية. ثم قامت الشبكة بتعديل معاملاتها الداخلية ملايين المرات، محاولةً إيجاد دالة تستوفي هذه القواعد في كل مكان وفي آن واحد. لم يكن الهدف هو إيجاد حل فحسب، بل إيجاد حل دقيق بما يكفي لاستخراج الأرقام الصغيرة والمحددة التي تحدد استجابة الثقب الأسود.

ركز الفريق على سيناريو محدد ومسيطر عليه حيث تكون الإجابة الدقيقة معروفة بالفعل، مما سمح لهم باختبار منهجيتهم بصرامة مطلقة. قاموا بإعداد محاكاة لثقب أسود دوار وطلبوا من الشبكة العصبية حل المعادلات لأنواع مختلفة من الاضطرابات، بدءًا من المجالات السلمية وصولاً إلى الموجات الثقالية الأكثر تعقيدًا. تعلمت الشبكة بنجاح شكل الحل، مطابقةً الإجابات الدقيقة المعروفة بخطأ نسبي يقل عن جزء واحد من مائة ألف. كانت هذه الدرجة من الدقة حاسمة لأن الإجابة النهائية، أي رقم لوف التدي، ليست هي الحل نفسه، بل هي نسبة مشتقة من سلوك الحل عند حافة النطاق تمامًا. الأمر يشبه محاولة قياس سمك شعرة من خلال النظر إلى ظلها؛ فإذا كان الظل باهتًا ولو قليلاً، ستفشل عملية القياس.

وقد كرس جزء كبير من البحث لتحديد كيفية قراءة الإجابة من مخرجات الشبكة العصبية. اختبر الباحثون ثماني طرق مختلفة لاستخراج الاستجابة المدية من الحل المتعلم. واكتشفوا أن بعض الأساليب البديهية، مثل النظر إلى ميل الحل عند الحدود مباشرة، كانت معيبة جوهريًا. فشلت هذه الطرق المحلية لأنها حاولت عزل مكون صغير ومتلاشٍ من الإجابة كان يغرق في الجزء الأكبر المهيمن من الحل. وبدلاً من ذلك، وجد الفريق أن الطريقة الأكثر موثوقية هي النظر إلى الحل عبر النطاق الكامل للمكان، باستخدام تقنية ملاءمة عالمية (global fitting) تعمل على متوسط الضجيج وتلتقط العلاقة الحقيقية بين الأجزاء المختلفة للموجة. سمح هذا النهج العالمي بفصل الإشارة عن الضجيج، والتمييز بين الأخطاء الناتجة عن الحل (solver) والأخطاء الناتجة عن عملية الاستخراج.

كما كشفت الدراسة أن طريقة تدريب الشبكة العصبية كانت ذات أهمية قصوى. فلم يكن كافيًا مجرد طلب تقليل الخطأ في المعادلة الرئيسية من الشبكة. فقد وجد الباحثون أن عليهم معاقبة الشبكة إذا أنتجت مشتقات خشنة أو متذبذبة، لإجبارها على تقديم حل ليس صحيحًا في قيمته فحسب، بل وسلسًا في تغيراته أيضًا. ومن خلال إضافة هذه القيود الإضافية، التي تعمل بمثابة مرشح تنعيم رياضي، نجحوا في تحسين دقة النتيجة النهائية بعدة مراتب عشرية. تشير هذه النتيجة إلى أنه بالنسبة للمسائل التي تنطوي على استجابات فيزيائية دقيقة، فإن جودة معلومات المشتقة لا تقل أهمية عن جودة الحل نفسه.

تؤكد النتائج أن الشبكة العصبية يمكنها حساب الاستجابة المدية لثقب أسود دوار بدقة، حيث استعادت كلاً من الجزء التبددي، الذي يمثل فقدان الطاقة، والجزء المحافظ، الذي يكون صفرًا من الناحية النظرية. أظهرت الشبكة بنجاح أن الاستجابة المحافظة هي بالفعل ضئيلة للغاية، ولا يحدها سوى حدود الدقة العددية، بينما تم قياس الجزء التبددي بدقة عالية. وتعد هذه النجاح مهمًا لأنها تبرهن على مسار للمضي قدمًا في مسائل أكثر تعقيدًا. في المستقبل، يمكن تطبيق هذا الإطار نفسه على ثقوب سوداء لا تدور بطريقة بسيطة، أو على نظريات جاذبية تختلف عن نظرية أينشتاين، حيث لا توجد صيغ رياضية دقيقة لتوجيه الطريق. ومن خلال إثبات أن الشبكة العصبية يمكنها تعلم فيزياء الاستجابة المدية لثقب أسود دون الاعتماد على اختصارات تحليلية مسبقة، وضع الباحثون أداة جديدة وقوية لاستكشاف البيئات الأكثر تطرفًا في الكون.

كما يسلط العمل الضوء على درس أوسع لمجال الفيزياء الحاسوبية. فهو يوضح أن امتلاك محلل (solver) قوي ليس كافيًا؛ بل يجب أن تمتلك أيضًا طريقة موثوقة لقراءة النتائج. لقد أظهر الباحثون أن الطريقة المستخدمة لاستخراج الملحوظة الفيزيائية لا تقل أهمية عن الطريقة المستخدمة لحل المعادلة. في الحالات التي تكون فيها الإجابة عبارة عن فرق صغير بين أرقام كبيرة، يمكن للنهج القياسي أن يؤدي إلى أخطاء كارثية، بينما يمكن لإجراء استخراج مصمم بعناية أن يكشف عن الحقيقة. هذا التمييز بين حل المعادلة وتفسير الحل هو خلاصة رئيسية، تقدم مخططًا لكيفية التعامل مع المشكلات الصعبة الأخرى حيث تختبئ الإجابة في التفاصيل الدقيقة لنظام معقد.

في النهاية، توفر هذه الورقة إطارًا تم التحقق منه لحساب أرقام لوف التدي للثقوب السوداء باستخدام الذكاء الاصطناعي. إنها تجسر الفجوة بين العالم المجرد للمعادلات التفاضلية والحاجة الملموسة للتنبؤات الفيزيائية الدقيقة. ومن خلال الجمع بين إعداد رياضي صارم وبنية شبكة عصبية مرنة، أظهر الباحثون أنه من الممكن التنقل عبر التفردات والتعقيدات في فيزياء الثقوب السوداء بدرجة عالية من الثقة. إن هذه المنهجية جاهزة للتوسع لتشمل سيناريوهات أكثر عمومية وتعتمد على التردد، مما يفتح الباب أمام عصر جديد من المحاكاة حيث يكون الحد الوحيد هو تعقيد القوانين الفيزيائية نفسها، وليس توفر صيغة رياضية مغلقة.