هوش مصنوعی آزمایش‌های عجیب و جدیدی در فیزیک طراحی می‌کند که واقعاً عملیاتی هستند

در هر یک از دو ردیاب موج گرانشی LIGO (یکی در هنفورد واشنگتن و دیگری در لیوینگستون لوئیزیانا)، پرتوهای لیزر در بازوهای چهارکیلومتری یک ساختار L شکل به جلو و عقب منعکس می‌شوند. وقتی موج گرانشی عبور می‌کند، طول یکی از بازوها نسبت به دیگری به‌اندازه‌ای کمتر از عرض یک پروتون تغییر می‌کند (حساسیتی مشابه تشخیص فاصله تا ستاره آلفا قنطورس به‌اندازه عرض یک تار مو). اما همین تفاوت‌های بسیار ناچیز هستند که به کشف‌های علمی منجر می‌شود. رسانه WIRED نیز در گزارشی به بررسی این موضوع پرداخته است.

راجع به LIGO

طراحی این دستگاه چندین دهه طول کشید، زیرا فیزیکدانان باید هر جنبه‌ای را تا حد نهایی فیزیکی آن پیش می‌بردند. ساخت‌وساز در سال ۱۹۹۴ آغاز شد و بیش از ۲۰ سال در ضمن یک توقف چهارساله برای بهبود ردیاب‌ها طول کشید تا اینکه LIGO در سال ۲۰۱۵ اولین موج گرانشی خود را شناسایی کرد؛ موجی در بافت فضا-زمان که از برخورد دو سیاه‌چاله در دوردست ناشی شده بود.

«رانا ادهیکاری» (Rana Adhikari)، فیزیک‌دان مؤسسه فناوری کالیفرنیا، در اواسط دهه ۲۰۰۰ مدیر تیم بهینه‌سازی ردیاب LIGO  بود و به همراه چند همکارش، بادقت بخش‌هایی از طراحی LIGO را بهبود دادند و هر محدودیتی که مانع حساسیت بیشتر دستگاه می‌شد را بررسی کردند. اما پس از آغاز شناسایی‌ها در سال ۲۰۱۵، ادهیکاری می‌خواست ببیند آیا می‌توانند طراحی LIGO را بهبود دهند تا مثلاً موج‌های گرانشی را در محدوده وسیع‌تری از فرکانس‌ها دریافت کند. چنین بهبودی LIGO را قادر می‌ساخت تا برخورد سیاه‌چاله‌هایی با اندازه‌های مختلف و حتی ناشناخته‌ها را مشاهده کند. به گفته ادهیکاری: «آنچه واقعاً دوست داریم کشف کنیم، پدیده اخترفیزیکی جدید و عجیبی است که هیچ‌کس تصورش را هم نکرده است. نباید هیچ پیش‌داوری درباره آنچه جهان خلق می‌کند داشته باشیم.»

هوش مصنوعی وارد می‌شود

ادهیکاری اخیراً از هوش مصنوعی برای یافتن راه‌هایی برای بهبود طراحی ردیاب‌های موج گرانشی استفاده کرده است. او و تیمش از مجموعه نرم‌افزاری که ابتدا توسط فیزیک‌دان «ماریو کرن» (Mario Krenn) برای طراحی آزمایش‌های رومیزی در اپتیک کوانتومی ساخته شده بود استفاده کردند. ابتدا، آن‌ها تمام اجزا و دستگاه‌هایی که می‌توانستند برای ساخت یک تداخل‌سنج پیچیده به‌صورت دلخواه ترکیب شوند را به هوش مصنوعی ارائه کردند؛ سپس هوش مصنوعی بدون هیچ محدودیتی شروع به کار کرد و می‌توانست ردیابی طراحی کند که صدها کیلومتر وسعت داشته باشد و شامل هزاران عنصر مانند لنزها، آینه‌ها و لیزرها باشد.

ابتدا، طرح‌های هوش مصنوعی عجیب‌وغریب به نظر می‌رسیدند. به گفته ادهیکاری: «خروجی‌هایی که این سیستم به ما می‌داد، واقعاً برای انسان قابل‌درک نبود. آن‌ها بیش از حد پیچیده بودند و شبیه چیزهای بیگانه یا ساخته‌شده توسط هوش مصنوعی به نظر می‌رسیدند. هیچ شباهتی به چیزی که یک انسان خلق می‌کند نداشتند، چون هیچ حس تقارن، زیبایی یا چیزی شبیه به این نداشتند و فقط یک آشوب بودند.» اما این تیم تحقیقاتی راهی پیدا کردند تا خروجی‌های هوش مصنوعی را مرتب کنند تا ایده‌هایی قابل‌فهم تولید شود. بااین‌حال، طرح هوش مصنوعی همچنان برای محققان گیج‌کننده بود. ادهیکاری اعتراف می‌کند اگر دانشجویانم سعی می‌کردند چنین چیزی به من ارائه دهند، می‌گفتم: نه، نه، مضحک است. اما این طرح به‌وضوح کارآمد بود.

ماه‌ها طول کشید تا بفهمند هوش مصنوعی چه کاری انجام داده است. در نهایت معلوم شد که این مدل از ترفندی غیرشهودی برای رسیدن به اهدافش استفاده کرده بود. مدل یک حلقه سه‌کیلومتری اضافی بین تداخل‌سنج اصلی و ردیاب اضافه کرده بود تا نور را قبل از خروج از بازوهای تداخل‌سنج به گردش درآورد. تیم تحقیقاتی متوجه شد که هوش مصنوعی احتمالاً از برخی اصول نظری ناشناخته‌ای استفاده کرده که دهه‌ها پیش توسط فیزیک‌دانان روس برای کاهش نویز کوانتومی شناسایی شده بود. هیچ‌کس تابه‌حال این ایده‌ها را به‌صورت تجربی اجرا نکرده بود و ادهیکاری راجع به آن می‌گوید: «تا این حد فکرکردن راجع به راه‌حل‌های خارج از چارچوب پذیرفته‌شده کار زیادی می‌طلبد و ما واقعاً به هوش مصنوعی نیاز داشتیم.» ادهیکاری ادعا می‌کند اگر بینش‌های هوش مصنوعی هنگام ساخت LIGO نیز در دسترس بود از همان ابتدا LIGO را با حساسیتی حدود ۱۰ تا ۱۵ درصد بهتر داشتیم. در جهانی با دقت کمتر از عرض پروتون، ۱۰ تا ۱۵ درصد پیشرفت عظیمی است.

به گفته «افرایم استاینبرگ» (Aephraim Steinberg)، متخصص اپتیک کوانتومی در دانشگاه تورنتو: «LIGO پروژه عظیمی است که هزاران نفر به مدت ۴۰ سال عمیقاً به هر چیزی درباره آن که می‌توانستند فکر کرده‌اند و هر چیز جدیدی که هوش مصنوعی ارائه می‌دهد، نشان‌دهنده چیزی است که هزاران نفر نتوانسته‌اند به آن برسند.»

اگرچه هوش مصنوعی هنوز به کشف‌های جدید در فیزیک منجر نشده است، اما به ابزاری قدرتمند در این حوزه تبدیل شده است. علاوه بر کمک به محققان در طراحی آزمایش‌ها، می‌تواند الگوهای غیربدیهی را در داده‌های پیچیده پیدا کند. برای مثال، الگوریتم‌های هوش مصنوعی از داده‌های جمع‌آوری‌شده در برخورددهنده هادرونی بزرگ در سوئیس، تقارن‌های طبیعت را استخراج کرده‌اند. این تقارن‌ها جدید نیستند؛ زیرا کلید نظریه‌های نسبیت انیشتین بودند؛ اما یافته‌های هوش مصنوعی به‌عنوان اثباتی برای آینده عمل می‌کنند. فیزیک‌دانان همچنین از هوش مصنوعی برای یافتن معادله جدیدی برای توصیف تجمع ماده تاریک نادیدنی کیهان استفاده کرده‌اند.

جدا اما با هم

در فیزیک کلاسیک که دنیای روزمره ما را توصیف می‌کند، اشیا ویژگی‌های مشخصی دارند که مستقل از تلاش برای اندازه‌گیری آن ویژگی‌ها هستند: برای مثال، یک توپ بیلیارد در هر لحظه جایگاه و تکانه مشخصی دارد. اما در دنیای کوانتومی، این‌گونه نیست. یک شیء کوانتومی توسط موجودیتی ریاضی به نام حالت کوانتومی توصیف می‌شود. بهترین کاری که می‌توان کرد این است که از این حالت برای محاسبه احتمال حضور شیء در مکانی خاص هنگام جستجو استفاده کنیم. علاوه بر این، دو یا چند شیء کوانتومی می‌توانند یک حالت کوانتومی مشترک داشته باشند. نور را در نظر بگیرید که از فوتون‌ها تشکیل شده است؛ این فوتون‌ها می‌توانند به‌صورت جفت‌های درهم‌تنیده تولید شوند، به این معنا که دو فوتون حتی اگر از هم جدا شوند، یک حالت کوانتومی مشترک دارند. وقتی یکی از این دو فوتون اندازه‌گیری شود، نتیجه به‌صورت آنی ویژگی‌های فوتون دیگر که حالا در جایی دورتر است را نیز تعیین می‌کند.

برای دهه‌ها، فیزیکدانان فرض می‌کردند که درهم‌تنیدگی نیازمند این است که اشیای کوانتومی از یک مکان مشخص و مشابه شروع به فعالیت کرده باشند. اما در اوایل دهه ۱۹۹۰ «آنتون زیلینگر» (Anton Zeilinger)، که بعدها برای مطالعاتش درباره درهم‌تنیدگی جایزه نوبل فیزیک را دریافت کرد، نشان داد که این فرض همیشه درست نیست. او و همکارانش آزمایشی پیشنهاد کردند که با دو جفت فوتون درهم‌تنیده غیرمرتبط شروع می‌شد. در این آزمایش فوتون‌های A و B با هم و فوتون‌های C و D نیز با هم درهم‌تنیده بودند. محققان سپس یک طراحی آزمایشی هوشمندانه با استفاده از کریستال‌ها، تقسیم‌کننده‌های پرتو و ردیاب‌ها ابداع کردند که روی فوتون‌های B و C عمل می‌کرد. از طریق یک سری عملیات، فوتون‌های B و C شناسایی و نابود می‌شدند، اما در نتیجه، ذرات همکار A و D، که قبلاً هیچ تعاملی نداشتند، درهم‌تنیده می‌شدند. این فرآیند به نام «تعویض درهم‌تنیدگی» (entanglement swapping) شناخته می‌شود که حالا یکی از اجزای مهم فناوری کوانتومی است.

در سال ۲۰۲۱ تیم کرن شروع به طراحی آزمایش‌های جدیدی با کمک نرم‌افزاری به نام PyTheus کرد(Py برای زبان برنامه‌نویسی پایتون و Theus برای تسئوس، قهرمان یونانی) کردند. تیم آزمایش‌های نوری را با استفاده از ساختارهای گراف‌های متصله هم با یال‌های و گره‌های نمایش داد. گره‌ها و یال‌ها جنبه‌های مختلف یک آزمایش را نشان می‌دادند، مانند تقسیم‌کننده‌های پرتو، مسیر فوتون‌ها یا اینکه آیا دو فوتون با هم تعامل داشتند یا نه. تیم کرن ابتدا یک گراف بسیار کلی ساخت که فضای تمام آزمایش‌های ممکن با اندازه‌ای خاص را مدل‌سازی می‌کرد. این گراف ویژگی‌های خروجی‌ای داشت که یک حالت کوانتومی مطلوب را نشان می‌داد؛ مثلاً دو ذره که از دستگاه آزمایشی خارج می‌شوند و هرگز تعاملی نداشتند؛ اما حالا درهم‌تنیده بودند.

اما سؤال این بود که چگونه سایر بخش‌های گراف را تغییر دهند تا این حالت تولید شود. برای حل این مسئله، محققان یک تابع ریاضی تعریف کردند. این تابع حالت گراف را می‌گرفت و تفاوت بین خروجی گراف و حالت کوانتومی مطلوب را محاسبه می‌کرد. سپس پارامترهای گراف که نشان‌دهنده پیکربندی آزمایشی بودند، به‌صورت تکراری تغییر کردند تا این اختلاف به صفر برسد. وقتی «سورن آرلت» (Soren Arlt)، دانشجوی کرن سعی کرد از این روش برای یافتن بهترین راه برای تعویض درهم‌تنیدگی استفاده کند، متوجه شد که پیکربندی آزمایشی غیرقابل‌شناسایی و کاملاً متفاوت از طراحی زیلینگر در سال ۱۹۹۳ است.

اما الگوریتم بهینه‌سازی از ایده‌هایی در حوزه جداگانه‌ای به نام «تداخل چندفوتونی» (multiphoton interference) وام گرفته بود و با این کار، پیکربندی ساده‌تری نسبت به طراحی زیلینگر ایجاد کرد. تیم کرن سپس یک تحلیل ریاضی جداگانه از طراحی نهایی انجام داد و این تحلیل تأیید کرد که طراحی آزمایشی جدید واقعاً درهم‌تنیدگی را بین ذراتی که گذشته مشترکی نداشتند، ایجاد می‌کند.

یافتن فرمول پنهان

طراحی آزمایش تنها راه استفاده فیزیک‌دانان از هوش مصنوعی نیست. آن‌ها همچنین از آن برای تحلیل نتایج آزمایش‌ها استفاده کرده‌اند. «کایل کرنمر» (Kyle Cranmer)، فیزیکدان دانشگاه ویسکانسین-مدیسون، درباره تلاش‌های اولیه برای استفاده از هوش مصنوعی در فیزیک گفت: «وضعیت الان مثل این است که به یک کودکی یاد بدهیم چگونه صحبت کند و ما هنوز خیلی نقش پرستارگونه‌ای داریم.» با این حال، مدل‌های یادگیری ماشین که روی داده‌های واقعی و شبیه‌سازی‌شده آموزش دیده‌اند، الگوهایی را کشف می‌کنند که ممکن بود در غیر این صورت نادیده گرفته شوند. برای مثال، کرنمر و همکارانش از یک مدل یادگیری ماشین برای پیش‌بینی چگالی توده‌های ماده تاریک در کیهان بر اساس ویژگی‌های قابل مشاهده توده‌های مشابه در نزدیکی، استفاده کردند. چنین محاسباتی برای درک رشد کهکشان‌ها و خوشه‌های کهکشانی ضروری است. سیستم به فرمولی برای توصیف چگالی توده‌های ماده تاریک رسید که بهتر از فرمول ساخته‌شده توسط انسان با داده‌ها مطابقت داشت. کرنمر در این خصوص گفت: «معادله هوش مصنوعی داده‌ها را بسیار خوب توصیف می‌کند اما داستانی برای چگونگی رسیدن به آن را ندارد.»

گاهی اوقات، همین که هوش مصنوعی بتواند چیزهایی که انسان از قبل می‌دانند را دوباره کشف کند برای اثبات یک اصل کافی است. «رز یو» (Rose Yu)، دانشمند کامپیوتر دانشگاه کالیفرنیا، چندین مدل یادگیری ماشین را برای یافتن تقارن‌ها در داده‌های برخورددهنده هادرونی بزرگ آموزش داد. تقارن به این معناست که داده‌ها تحت یک تبدیل یا بدون تغییر باقی می‌مانند یا به‌صورت قابل پیش‌بینی و ساده تغییر می‌کنند. برای مثال، یک دایره تقارن چرخشی دارد و تحت چرخش بدون تغییر می‌ماند. یو و تیمش این تکنیک را روی داده‌های جمع‌آوری‌شده در برخورددهنده هادرونی بزرگ اعمال کردند و تقارن‌های لورنتس را شناسایی کردند که از شریویات نظریه‌های نسبیت انیشتین هستند. چنین موضوعاتی صرفا تغییراتی در دیدگاه‌ها هستند که قوانین فیزیک تجربی را بدون تغییر باقی می‌گذارند. برای مثال، نرخ تولید جفت ذرات در برخورددهنده نباید در زمان‌های مختلف روز تغییر کند. اگر این نرخ تغییر می‌کرد، نشان‌دهنده وابستگی به چرخش زمین و در نتیجه یک جهت ترجیحی در فضا-زمان بود و به گفته یو: «ما نشان دادیم که بدون دانستن هیچ دانشی از فیزیکی، مدل می‌تواند تقارن لورنتس را صرفاً فقط از خود داده‌ها کشف کند.»

کرنمر و یو اشاره می‌کنند که اگرچه این روش‌ها در کشف الگوها خوب عمل می‌کنند؛ اما درک این الگوها و ارائه فرضیه‌ها یا فیزیک برای توضیح آن‌ها هنوز برای مدل‌های هوش مصنوعی امروزی دشوار است. اما کرنمر معتقد است که ظهور مدل‌های زبانی بزرگ مانند ChatGPT می‌تواند این موضوع را تغییر دهد و گفت: «فکر می‌کنم پتانسیل عظیمی برای مدل‌های زبانی وجود دارد تا در خودکارسازی ساخت فرضیه‌ها مفید باشند و چنین امری تقریباً در دسترس است.» استاینبرگ نیز موافق است که اگرچه هوش مصنوعی هنوز مفاهیم جدیدی خلق نکرده؛ اما کشف‌های جدید در فیزیک با کمک هوش مصنوعی می‌تواند به واقعیت تبدیل شود و گفت: «واقعاً ممکن است در حال عبور از این حد آستانه باشیم که هیجان‌انگیز است.»