هوش مصنوعی به گسترش مرزهای فیزیک نظری کمک می‌کند

به گفته پژوهشگران، نقش هوش مصنوعی در این فرایند کاملاً محوری بود و به آن‌ها امکان داد تا کاری را که معمولاً به ماه‌ها زمان نیاز داشت، در عرض چند هفته به پایان برسانند. ایده‌ای که مدت‌ها مطرح می‌شد مبنی بر اینکه هوش مصنوعی می‌تواند به پیشبرد کار در مرزهای فیزیک نظری کمک کند، اکنون به یک واقعیت تبدیل شده است.

آنچه مدل‌سازی برهم‌کنش‌های ذرات زیراتمی را تا این حد دشوار می‌سازد، این واقعیت است که آن‌ها از قوانین احتمالی فیزیک کوانتوم پیروی می‌کنند. این بدان معناست که وقتی دو ذره وارد یک برخورد می‌شوند، پیش‌بینی قطعی تعداد ذرات خارج‌شده از آن غیرممکن است. تنها کاری که فیزیک‌دانان می‌توانند انجام دهند، تعیین احتمال پیامدهای مختلف است که با کمک کمیت‌های ریاضیاتی به نام دامنه‌های پراکندگی (scattering amplitudes) انجام می‌شود.

محاسبه این کمیت‌ها چالش‌برانگیز است و غالباً صدها عبارت پیچیده ریاضی را در بر می‌گیرد. بااین‌حال، در موارد خاص الگوهای ریاضیاتی پدیدار می‌شوند که این معادلات غول‌پیکر را به فرم‌های ساده تبدیل می‌کنند. این سادگی به‌ویژه برای گلوئون‌ها بسیار چشمگیر است. به نظر می‌رسد زیرمجموعه‌ای از دامنه‌های پراکندگی آن‌ها که تحت عنوان «سطح درختی تک -منفی» (single-minus tree-level) شناخته می‌شود؛ کاملاً از بین می‌رود و صفر می‌شود که دلالت بر این دارد که فرایندهای مرتبط با آن هرگز نمی‌توانند رخ دهند. بااین‌حال، نویسندگان مطالعات جدید گمان می‌کردند که این نتیجه‌گیری بیش از حد قطعی و قاطعانه است.

پژوهشگران متوجه شده بودند که اگر تکانه ذراتِ واردشونده به و خارج‌شونده از یک برخورد به‌گونه‌ای در نظر گرفته شود که مقادیر خاصی به خود بگیرد، دامنه‌ها غیرصفر می‌شوند. محاسبه ساده‌ترین مثال‌ها که تنها شامل چند گلوئون بود، سرراست بود. اما با افزایش تعداد ذرات، پیچیدگی ریاضیات نیز افزایش یافت.

هنگامی که «الکساندرو لوپساسکا» (Alexandru Lupsasca)، فیزیک‌دان دانشگاه وندربیلت و OpenAI از پژوهشگران دعوت کرد تا قابلیت‌های فیزیکی جدیدترین مدل‌های OpenAI را آزمایش کنند، دامنه‌های پراکندگی گلوئون تک‌منفی به نظر یک مسئله بی‌نقص می‌آمد. با دریافت فرمول‌های فیزیک‌دانان، مدل GPT-5.2 Pro هم ساده‌سازی‌هایی که فیزیک‌دانان متوجه نشده بودند را شناسایی کرد و هم یک تعمیم را حدس زد؛ یعنی عبارتی که برای هر تعداد گلوئون معتبر است. سپس پژوهشگران از یک مدل توانمندتر OpenAI که به‌صورت عمومی در دسترس نیست خواستند تا آن را تأیید کند. پس از ۱۲ ساعت پردازش و تفکر، هوش مصنوعی اثبات ریاضی را به آن‌ها ارائه داد. فیزیک‌دانان ریاضیات را بررسی کردند و محاسبات هوش مصنوعی کاملاً درست بود.

پژوهشگران یافته‌های خود را که هنوز مورد داوری همتا (peer review) قرار نگرفته‌اند، در تاریخ ۱۲ فوریه ۲۰۲۶ در پایگاه arXiv منتشر کردند. اما این پایان ماجرا نبود. آن‌ها بلافاصله به این فکر افتادند که آیا می‌توان این نتایج را به «گراویتون» (Gravitons) ؛ ذرات فرضی که تصور می‌شود حامل نیروی گرانش هستند بسط داد یا خیر. گراویتون‌ها تاکنون مشاهده نشده‌اند، اما محاسبه دامنه‌های پراکندگی نظری آن‌ها به فیزیک‌دانان اجازه می‌دهد تا بررسی کنند که گرانش در کوچک‌ترین مقیاس‌ها چگونه ممکن است رفتار کند.

محاسبات گراویتون حتی از محاسبات گلوئون‌ها نیز پیچیده‌تر است. بااین‌حال، در روز ۴ مارس ۲۰۲۶ پژوهشگران مقاله دوم خود را منتشر کردند. صرفاً با استفاده از نتایج گلوئون و مقداری راهنمایی و پرامپت‌دهی ملایم از سوی فیزیک‌دانان، مدل GPT-5.2 Pro توانست دامنه‌های پراکندگی تک‌منفی مشابه را برای گراویتون‌ها نیز بسازد. تنها کاری که برای فیزیک‌دانان باقی مانده بود، بررسی صحت محاسبات آن بود. لوپساسکا دراین‌خصوص گفت: «اکنون دیگر مسئله فیزیک بخش دشوار کار نیست. بخش دشوار، اعتبارسنجی نتایج و مکتوب کردن آن است. این موضوع برای من فراتر از واقعیت و سورئال به نظر می‌رسد.»

فیزیک‌دانان اکنون در حال کار با این مدل‌ها هستند تا بررسی کنند این نتایج چه معنایی برای نظریه‌های آن‌ها دارد. اما اهمیت واقعی این دو مقاله پیش‌چاپ ممکن است در ابزار و روش آن‌ها نهفته باشد نه در خود نتایج. برای پژوهشگران، مدل هوش مصنوعی مرز بین یک «ابزار» و یک «همکار» را محو کرده است. «اندرو استرومینگر» (Andrew Strominger)، فیزیک‌دان دانشگاه هاروارد و یکی از نویسندگان این مطالعات گفت: «مدل به من بازگشت و گفت: «خب، تعمیم بدیهی این است که…» و کل فرمول را نوشت که این دقیقاً همان چیزی است که برخی از همکاران آزاردهنده‌ترِ من ممکن است بگویند.»

گزارش حاضر در نسخه March 14th 2026 نشریه The Economist منتشر شده است.