Executable Chain-of-Thought Symbolic Regression with Large Language Models for Automated Physical Discovery
تقدم هذه الورقة \ours، وهو إطار عمل يحمل التحقق ويحول الانحدار الرمزي القائم على النماذج اللغوية الكبيرة إلى عملية صارمة عبر تنفيذ سلسلة من التفكير الاستنتاجي كـ "رسم بياني للاشتقاق الرمزي" محدد الأنواع، مما يفرض قيوداً صلبة وإشارات تحقق ناعمة لإنتاج قوانين فيزيائية مدمجة وقابلة للتحقق آلياً مع آثار اشتقاق قابلة للتنفيذ.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
غالبًا ما تبدو العلوم وكأنها عملية ضغط. فالعالم يراقب مجموعة هائلة من الأحداث — كحركة الكواكب في السماء، أو تفاعل المواد الكيميائية في قارورة، أو تدفق المياه عبر أنبوب — ويسعى إلى تقطير ذلك الفوضى في قانون رياضي واحد مدمج. هذا القانون ليس مجرد أداة للتنبؤ بالنقطة التالية من البيانات؛ بل هو بيان لكيفية عمل العالم، بيان يمكن فحصه وفهمه وتمديده ليشمل مواقف جديدة. لقرون مضت، تطلب العثور على هذه القوانين حدسًا بشريًا، لكن الحجم الهائل للبيانات الحديثة جعل البحث عنها صعبًا بشكل متزايد. إن فضاء المعادلات المحتملة واسع جدًا لدرجة أن الحواسيب القوية نفسها تجد صعوبة في العثور على المعادلة الصحيحة دون أن تضيع في بحر من الاحتمالات الخاطئة. التحدي لا يكمن فقط في إيجاد صيغة تناسب البيانات التي لدينا، بل في إيجاد الصيغة المحددة التي تظل صحيحة عندما تتغير الظروف، أو عندما تكون البيانات مشوشة، أو عندما ننظر إلى جزء من النظام لم نره من قبل.
في السنوات الأخيرة، توجه الباحثون إلى النماذج اللغوية الكبيرة — وهي أنظمة مدربة على كميات هائلة من النصوص والبرمجيات — للمساعدة في هذا البحث. هذه النماذج بارعة في استرجاع الأنماط المألوفة واقتراح هياكل معقولة للمعادلات. ومع ذلك، ظلت هناك فجوة كبيرة بين ما يمكن لهذه النماذح اقتراحه وما يمكنها إثباته. قد يقترح النموذج صيغة تبدو صحيحة على السطح، لكن الخطوات التي اتخذها للوصول إليها قد تكون معيبة منطقيًا، أو مستحيلة فيزيائيًا، أو غير مستقرة رياضيًا. يشبه الأمر طالبًا يكتب الإجابة الصحيحة في الاختبار لكنه لا يستطيع شرح خطوات الحل، أو والأسوأ من ذلك، يظهر خطوات تحتوي على أخطاء خفية لا تظهر إلا عند تغيير المشكلة قليلًا. كانت الطرق الموجودة تعامل عملية الاستنتاج كحوار حر، حيث كانت الصيغة النهائية هي الشيء الوحيد الذي يهم، مما يترك المسار المؤدي إلى تلك الصيغة غير موثق وغير موثوق به.
لمعالجة ذلك، طور مؤلف هذه الدراسة إطار عمل جديدًا يسمى CoT-SR. يغير هذا النظام طريقة بحث الحواسيب عن القوانين العلمية من خلال معاملة عملية الاستنتاج نفسها كبناء صارم وخطوة بخطوة بدلاً من كونها لعبة تخمين وتجربة. بدلاً من ترك النموذج اللغوي يكتب فقرة نصية لتبرير معادلة ما، يجبر النظام النموذج على اقتراح إجراءات محددة وقابلة للتنفيذ تحول تعبيرًا بسيطًا إلى تعبير أكثر تعقيدًا. كل خطوة هي إجراء محدد النوع، مثل إضافة حد جديد، أو تغيير متغير، أو تطبيق قاعدة فيزيائية معروفة. والأهم من ذلك، يتم التحقق فورًا من كل خطوة بواسطة نظام مستقل ومنفصل لضمان صحتها. يتحقق النظام من أن الرياضيات صحيحة بنيويًا، وأن الوحدات الفيزيائية منطقية (على سبيل المثال، التأكد من عدم جمع أمتار مع ثوانٍ)، وأن المعادلة تسلك سلوكًا معقولًا في ظل الظروف القصوى.
الابتكار الجوهري في هذا العمل هو إنشاء "رسم بياني للاستنتاج الرمزي". تخيل خريطة حيث يمثل كل مسار فيها طريقة مختلفة لبناء معادلة. في الطرق السابقة، قد ينتقل الكمبيوتر من فكرة إلى أخرى بناءً على حدس غامض. أما في هذا النهج الجديد، فلا يمكن للكمبيوتر التحرك على طول مسار إلا إذا اجتازت الخطوة التالية مجموعة صارمة من القواعد. إذا انتهك المسار المقترح قوانين الفيزياء أو قواعد الجبر، يتم إغلاق ذلك المسار فورًا، ولا يهدر النظام وقته في استكشاف تلك النهاية المسدودة. تحول هذه العملية البحث عن قانون إلى رحلة عبر مشهد من الاحتمالات الصالحة، حيث يتم توثيق كل حركة والتحقق منها. يحتفظ النظام بسجل لكل خطوة ناجحة وكل محاولة فاشلة، مما يخلق مسارًا كاملاً وقابلاً للتدقيق يشرح بالضبط كيف تم اشتقاق المعادلة النهائية ولما لماذا رُفضت المسارات البديلة.
اختبر الباحثون هذا النظام على مجموعة متنوعة من التحديات، بدءًا من مسائل الفيزياء الكلاسيكية المتعلقة بحركة الكواكب والديناميكا الحرارية، وصولاً إلى مجموعات بيانات اصطناعية معقدة صُممت لخداع الذكاء الاصطناعي. وجدوا أن CoT-SR أفضل بكثير في إيجاد المعادلات الصحيحة مقارنة بالطرق السابقة. وفي الاختبارات التي كان الهدف منها استعادة قانون فيزيائي معروف بدقة، حقق النظام الجديد أعلى معدل استعادة دقيق بين الطرق التي تمت مقارنتها، متفوقًا على أفضل النهج التالية له. والأهم من ذلك، أثبت النظام قدرة أكبر على الصمود عند مواجهة بيانات مشوشة أو عند مطالبته بالتنبؤ بالسلوك خارج نطاق القياسات الأصلية. وبينما فشلت الطرق الأخرى غالبًا عندما كانت البيانات مشوهة قليلاً أو عندما تم تمديد المتغيرات المدخلة إلى حدود جديدة، حافظ CoT-SR على دقته. وذلك لأن النظام يعطي الأولوية للمعادلات التي تتميز بسلامة البنية والاتساق الفيزيائي، بدلاً من تلك التي تصادف أنها تناسب الأرقام الحالية تمامًا.
تعد القدرة على اختبار فرضياتها ذاتيًا ميزة رئيسية لهذا الإطار الجديد. فعندما يكون النظام غير متأكد بين معادلتين متنافستين، فإنه لا يكتفي باختيار المعادلة التي تبدو أفضل على الورق، بل يحسب النقاط التي ستختلف فيها المعادلتان بأكبر قدر ممكن، ويطلب قياسًا جديدًا عند تلك النقطة تحديدًا. هذا يشبه عالمًا يصمم تجربة حاسمة للتمييز بين نظريتين. ومن خلال تركيز موارده المحدودة على نقاط البيانات الأكثر إفادة، يمكن للنظام استبعاد الإجابات الخاطئة بسرعة أكبر والتركيز على القانون الحقيقي. وفي عمليات المحاكاة، سمح هذا النهج النشط للنظام باستبعاد الإجابات الخاطلة بشكل أسرع مما لو كان قد جمع البيانات عشوائيًا. والنتيجة ليست مجرد معادلة نهائية، بل حزمة كاملة تتضمن المعادلة، والاستنتاج خطوة بخطوة، وسجلًا للأدلة التي تدعمها.
كما يسلط البحث الضوء على قيود الاعتماد فقط على ذاكرة النموذج اللغوي. فقد عانت العديد من الأنظمة السابقة عند تقديم معادلات تم تعديلها أو تمويهها قليلاً، لأنها كانت ببساطة تسترجع الأنماط من بيانات تدريبها بدلاً من فهم المنطق الأساسي حقًا. في المقابل، يعتمد CoT-SR على صحة خطوات الاستنتاج. فحتى لو لم يرَ النموذج المعادلة المحددة من قبل، يمكنه بناؤها بشكل صحيح إذا كانت الخطوات المنطقية سليمة. وهذا يشير إلى أنه بالنسبة للاكتشاف العلمي، فإن القدرة على التحقق من العملية أكثر أهمية من القدرة على استرجاع الإجابة. ووجد الباحثون أنه عندما أزالوا خطوات التحقق الصارمة، انخفض أداء النظام بشكل كبير، مما يؤكد أن التدقيق الصارم لكل خطوة هو ما يجعل هذا النهج فعالًا.
في نهاية المطاف، يمثل هذا العمل تحولًا في كيفية مساعدة الذكاء الاصطناعي للاكتشاف العلمي. إنه ينتقل من فكرة "الصندوق الأسود" الذي يخرج تنبؤًا، نحو نظام شفاف يبني المعرفة خطوة بخطوة، مع دعم كل ادعاء بالأدلة. المخرج النهائي ليس مجرد صيغة، بل هو قصة موثقة لكيفية العثور على تلك الصيغة. هذا التمييز حيوي للعلم، حيث يكون فهم "لماذا" غالبًا بنفس أهمية فهم "ماذا". ومن خلال ضمان أن تكون كل خطوة وسيطة قابلة للتنفيذ والتحقق، خلق الباحثون أداة يمكنها مساعدة العلماء في التنقل عبر البحث المعقد عن قوانين جديدة، مقدمة مستوى من الموثوقية والوضوح لم يكن متاحًا من قبل. لا يدعي النظام أنه معصوم من الخطأ، ولا يزال يتطلب إشرافًا بشريًا، لكنه يوفر طريقة جديدة قوية للجمع بين قوة التعرف على الأنماط في النماذج اللغوية والمتطلبات الصارمة للعلوم الفيزيائية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.