Quantum Wavefunction Dynamics via Hard-Constrained Probability-Preserving Transformers

في العالم المجهري للذرات والجسيمات دون الذرية، تتبع الطبيعة مجموعة من القواعد التي تختلف اختلافًا جذريًا عن تلك التي نختبرها في حياتنا اليومية. فبدلًا من التحرك مثل كرات صلبة، تتصرف هذه الأجسام الصغيرة مثل التموجات على سطح بركة، حيث تنتشر وتتداخل مع بعضها البعض. يصف العلماء هذه التموجات باستخدام كائن رياضي يسمى "الدالة الموجية". لا تخبرنا هذه الدالة الموجية بمكان الجسيم بدقة، بل تخبرنا باحتمالية وجوده في مكان معين. ومن القواعد الأساسية لهذا العالم الكمي أن إجمالي الاحتمالية لوجود الجسيم في مكان ما يجب أن يبلغ دائمًا مائة بالمائة. وإذا أشارت عملية حسابية إلى أن إجمالي الاحتمالية يزيد أو ينقص قليًا عن ذلك، فإن النتيجة تكون مستحيلة فيزيائيًا، حتى لو بدت الأرقام قريبة. إن التنبؤ بكيفية تغير موجات الاحتمالية هذه بمرور الوقت أمر ضروري لفهم كل شيء، بدءًا من كيفية تحرك الإلكترونات في شريحة كمبيوتر وصولًا إلى كيفية تفاعل الضوء مع المادة. ومع ذلك، فإن إجراء هذه الحسابات على جهاز كمبيوتر أمر صعب للغاية؛ فالالمعادلات معقدة، وللحصول على صورة دقيقة للمستقبل، يتعين على الكمبيوتر غالبًا اتخاذ ملايين الخطوات الصغيرة، وفحص حالة النظام عند كل لحظة بمفردها. هذه العملية بطيئة وتتطلب قدرًا هائلًا من قوة الحوسبة، خاصة عندما يريد العلماء محاكاة سيناريوهات مختلفة أو النظر بعيدًا في المستقبل.

لقد طور فريق من الباحثين نهجًا جديدًا لحل هذه المشكلة من خلال تعليم نوع من الذكاء الاصطناعي احترام قوانين الفيزياء منذ البداية. فبدلاً من مجرد مطالبة الكمبيوتر بتخمين الخطوة التالية في نظام كمي والأمل في أن تظل الاحتمالية الإجمالية صحيحة، قاموا ببناء نوع محدد من الشبكات العصبية التي لا يمكنها ارتكاب هذا الخطأ فيزيائيًا. أطلقوا على هذا النظام اسم "المحول المحافظ على الاحتمالية" (probability-preserving transformer). في دراستهم، ركزوا على إعداد كمي بسيط ولكنه كلاسيكي: جسيم محبوس داخل صندوق أحادي الأبعاد، يرتد ذهابًا وإيابًا بين جدارين. يعد هذا السيناريو اختبارًا قياسيًا للنظريات الكمية، تمامًا كما هي التفاحة الساقطة بالنسبة للجاذبية. قام الباحثون بتدريب ذكائهم الاصطناعي على بيانات ناتجة عن طريقة تقليدية عالية الدقة تُعرف باسم "مخطط كرانك-نيكلسون"، والتي تعمل كمعيار ذهبي لهذه الحسابات. لقد غدوا الذكاء الاصطناعي بسجلات قصيرة لكيفية تحرك الدالة الموجية عبر الزمن، وطلبوا منه التنبؤ بما سيحدث بعد ذلك. والأهم من ذلك، أنهم صمموا بنية الذكاء الاصطناعي بحيث يُجبر بعد إجراء تنبؤه على تطبيع النتيجة (normalize)، مما يضمن بقاء الاحتمالية الإجمالية مساوية تمامًا للواحد، تمامًا كما تقتضي الطبيعة. لم يكن هذا مجرد اقتراح ناعم أو عقوبة لكونه مخطئًا؛ بل كان قاعدة صارمة مدمجة في هيكل الآلة.

أظهرت النتائج أن هذه الطريقة تعمل بشكل جيد بشكل ملحوظ. فعند اختبارها على الحالة الأرضية البسيطة للجسيم، تنبأ الذكاء الاصطناعي بالحركة المستقبلية للموجة بدقة عالية، مطابقةً الحسابات التقليدية بشكل شبه مثالي. والأهم من ذلك، أن الاحتمالية الإجمالية لم تنحرف أبدًا. وبينما أنتج نموذج ذكاء اصطناعي قياسي غير مقيد تنبؤات ارتفعت فيها الاحتمالية الإجمالية ببطء لتصل إلى حوالي 1.045، وهو انتهاك واضح للقانون الفيزيائي، حافظ النظام الجديد على الاحتمالية عند واحد بالضبط، وصولًا إلى حدود دقة الكمبيوتر. ثم دفع الباحثون النظام إلى أبعد من ذلك، واختبروه في سيناريوهات لم يسبق له رؤيتها؛ حيث قدموا له بيانات تتضمن حالات مثارة، وحزمًا موجية متحركة، وتوليفات معقدة من حالات مختلفة. وحتى دون التدريب الصريح على هذه المواقف الجديدة المحددة، استطاع الذكاء الاصطناعي تعميم معرفته، حيث نجح في التنبؤ بالتطور لهذه الحالات الكمية المتنوعة. ظلت التنبؤات دقيقة، وظل حفظ الاحتمالية ثابتًا عبر جميع هذه العائلات المختلفة من الظروف الأولية. لم يكتفِ النظام بحفظ بيانات التدريب فح، بل تعلم القواعد الكامنة لكيفية تطور الحالة الكمية.

بعيدًا عن الدقة، كشفت الدراسة عن ميزة كبيرة في السرعة. تتطلب الطريقة التقليدية من الكمبيوتر حساب كل خطوة وسيطة بين الحاضر والمستقبل، وهي عملية تصبح أبطأ كلما أردت النظر إلى الأمام. في المقابل، يمكن لنموذج الذكاء الاصطناعي المدرب القفز مباشرة إلى حالة مستقبلية بناءً على سجل قصير من الماضي. لأفق تنبؤ يبلغ مائة خطوة زمنية، كان الذكاء الاصطناعي أسرع بأكثر من خمس عشرة مرة من الطريقة التقليدية. وعند النظر إلى الأمام لمسافة أبعد، أي مائة وخمسة وتسعين خطوة، نمت ميزة السرعة لتصبح أكثر من اثنتين وعشرين مرة أسرع. وهذا يشير إلى أنه بالنسبة للمحاكاة طويلة الأمد، حيث تصبح الطريقة التقليدية عائقًا، يمكن لهذا النهج الجديد أن يقدم بديلًا قويًا. لاحظ الباحثون أنه على الرغم من دقة الذكاء الاصطناعي العالية، إلا أنه كانت لا تزال هناك أخطاء صغيرة، لا سيما في التنبؤ بسلوك بعض الحزم الموجية المعقدة. ومع ذلك، كانت هذه الأخطاء موضعية ولم تتسبب في انهيار النظام أو انتهاك القوانين الأساسية للاحتمالية. وتخلص الدراسة إلى أنه من خلال دمج القيود الفيزيائية مباشرة في تصميم نماذج التعلم الآلي، يمكن للعلماء إنشاء أدوات ليست أسرع فحسب، بل أيضًا أكثر موثوقية واتساقًا من الناحية الفيزيائية، مما يفتح الباب لمحاكاة الديناميكيات الكمية المعقدة التي كانت في السابق مكلفة جدًا للحوسبة.