اخترفیزیک‌دانان از Codex برای کمک به شبیه‌سازی سیاه‌چاله‌ها استفاده می‌کنند

«چی کوان چان» درباره موضوع کار خود می‌گوید سیاه‌چاله‌ها از بهترین مکان‌ها برای آزمودن نظریه نسبیت عام «آلبرت اینشتین» هستند. این نظریه در حال حاضر بهترین توضیح ما برای گرانش به شمار می‌رود. بر اساس نسبیت عام، گرانش یک نیروی کششی میان اجسام نیست؛ بلکه نتیجه خمیده شدن بافت فضا و زمان بر اثر جرم و انرژی است.

راز تاریک سیاه‌چاله

«چان» یکی از اعضای همکاری بین‌المللی «تلسکوپ افق رویداد»  (EHT)است؛ پروژه‌ای که در سال ۲۰۱۹ نخستین تصویر از یک سیاه‌چاله را منتشر کرد. این گروه اکنون در حال جمع‌آوری داده‌های رصدی برای تولید نخستین ویدئو از یک سیاه‌چاله ابرپرجرم است و تمرکز خود را بر سیاه‌چاله واقع در مرکز کهکشان M87 قرار داده است.

اما تبدیل مشاهدات رصدی به درک علمی، به حجم عظیمی از پردازش داده، جریان‌های کاری محاسباتی در مقیاس بزرگ و شبیه‌سازی‌هایی نیاز دارد که بتوانند برخی از شدیدترین پدیده‌های فیزیکی در جهان را مدل‌سازی کنند.

از آنجا که نور نمی‌تواند از درون یک سیاه‌چاله بگریزد، دانشمندان به‌جای خود سیاه‌چاله، ناحیه اطراف آن را مطالعه می‌کنند؛ ناحیه‌ای که «افق رویداد» نام دارد و مرزی است که پس از عبور از آن، هیچ ماده‌ای امکان فرار ندارد. «چان» می‌گوید: «این یک سطحِ بی‌بازگشت است.» ماده‌ای که درست در بیرون این مرز به گرد سیاه‌چاله می‌چرخد، از خود نور گسیل می‌کند؛ نوری که اخترفیزیک‌دانان می‌توانند آن را مشاهده، اندازه‌گیری و شبیه‌سازی کنند.

تصویری که تلسکوپ افق رویداد (EHT) در سال ۲۰۱۹ منتشر کرد، سایه یک سیاه‌چاله را نشان می‌داد که در میان پلاسمای درخشانِ اطراف افق رویداد قرار گرفته بود. «چی‌کوان چان» در توسعه ابزارهای شبیه‌سازی و سامانه‌های محاسباتی‌ای که این گروه برای تفسیر داده‌های رصدی از آن‌ها استفاده کرد، نقش داشت.

از آن زمان تاکنون، «چان» و همکارانش به بهبود ابزارهای رصدی و توانایی‌های مشاهده‌ای خود ادامه داده‌اند؛ چرا که این پروژه در حال گذار از ثبت تصاویر ثابت به تولید ویدئوهایی از سیاه‌چاله‌ها است. این پیشرفت می‌تواند دیدگاهی پویاتر از رفتار ماده و انرژی در اطراف سیاه‌چاله‌های ابرپرجرم ارائه دهد و درک دانشمندان از این اجرام اسرارآمیز را به‌طور چشمگیری گسترش دهد.

مقابله با یک مشکل پیچیده و مارپیچی

یکی از بزرگ‌ترین موانع پیش روی «چان» و تیمش، مدل‌سازی پلاسمای اطراف سیاه‌چاله‌ها است. پلاسما نوعی ماده فوق‌داغ است که از الکترون‌ها و یون‌های دارای بار الکتریکی تشکیل شده است.

در بسیاری از شبیه‌سازی‌ها، دانشمندان برای ساده‌سازی مسئله، پلاسما را مانند یک سیال در نظر می‌گیرند و با استفاده از معادلات شناخته ‌شده، حرکت آن را در اطراف سیاه‌چاله مدل‌سازی می‌کنند. این روش در نواحی متراکم‌تر پلاسما که الکترون‌ها و یون‌ها به‌طور مداوم با یکدیگر برخورد می‌کنند، عملکرد نسبتاً خوبی دارد.

اما در نزدیکی سیاه‌چاله‌های ابرپرجرمی که «چان» و همکارانش مطالعه می‌کنند، برخی نواحی آن‌قدر داغ و رقیق می‌شوند که ذرات به‌ندرت با یکدیگر برخورد می‌کنند. «چان» توضیح می‌دهد: «آن‌ها عملاً با یکدیگر برخوردی ندارند.» در عوض، این ذرات عمدتاً در امتداد خطوط میدان مغناطیسی به‌صورت مارپیچی حرکت می‌کنند.

برای مدل‌سازی دقیق این رفتار، پژوهشگران باید حرکت تریلیون‌ها الکترون و یون را دنبال کنند؛ ذراتی که با سرعت بسیار زیاد در مسیرهای مارپیچی به دور سیاه‌چاله و در امتداد میدان‌های مغناطیسی حرکت می‌کنند. در شبیه‌سازی‌های متداول، لازم است هر چرخش کوچک این ذرات محاسبه شود و همین موضوع رایانه‌ها را مجبور می‌کند از گام‌های زمانی بسیار کوتاه استفاده کنند.

در نتیجه، حتی سریع‌ترین ابررایانه‌های جهان نیز بخش عمده توان پردازشی خود را صرف محاسبه این حرکت‌های بسیار ریز و جزئی می‌کنند، به‌جای آنکه رفتارهای بزرگ‌مقیاسی را شبیه‌سازی کنند که دانشمندان واقعاً به دنبال مطالعه آن‌ها هستند.

«چان» می‌گوید: «این مسئله دهه‌هاست که میزان واقع‌گرایی شبیه‌سازی‌های ما از پلاسمای اطراف سیاه‌چاله‌ها را محدود کرده است.»

استفاده از هوش مصنوعی برای ساخت یک همتای دیجیتال بهتر

«چان» گمان می‌کرد که روش‌های ریاضی جدید می‌توانند به رفع بخشی از این محدودیت‌ها کمک کنند. ایده اصلی این بود که شیوه ردیابی حرکت ذرات در شبیه‌سازی به‌صورت ریاضی تغییر کند تا رایانه دیگر مجبور نباشد هر حرکت مارپیچی کوچک را به‌طور مستقیم دنبال کند.

«چان» گفت: «اما بررسی همه احتمال‌های ریاضی به‌صورت دستی، زمان بسیار زیادی می‌طلبید.» به همین دلیل، او از Codex کمک گرفت تا الگوریتم‌های پیشنهادی را استخراج کند و آن‌ها را در برابر راه‌حل‌های شناخته‌شده مورد آزمایش قرار دهد.

Codex رویکردهای پیشنهادی متعددی تولید کرد؛ البته همه آن‌ها درست نبودند. «چان» در این‌باره گفت: «این مسئله کاملاً طبیعی است. بیشتر ایده‌های علمی در نهایت به نتیجه نمی‌رسند. آنچه اهمیت دارد این است که این الگوریتم‌ها قابلیت آزمون دارند. وقتی یکی از آن‌ها جواب بدهد، می‌تواند راه را برای شبیه‌سازی‌هایی باز کند که پیش از این امکان‌پذیر نبودند.»

برخی سامانه‌های هوش مصنوعی ممکن است نتایجی ارائه دهند، بدون آنکه مراحل رسیدن به آن‌ها را آشکار کنند. اما گروه پژوهشی «چان» از Codex برای پیشنهاد و پیاده‌سازی روش‌های عددی استفاده می‌کند که می‌توان آن‌ها را بررسی، آزمایش و از نظر فیزیکی درک کرد. به این ترتیب، پژوهشگران نه‌تنها به نتیجه نهایی دسترسی دارند، بلکه می‌توانند منطق و سازوکار علمی پشت آن را نیز ارزیابی و تأیید کنند.

مدل‌های زبانی بزرگ همچنان مرتکب خطا می‌شوند و بسیاری از دانشمندان نیز نسبت به استفاده از هوش مصنوعی در پژوهش‌های علمی با احتیاط برخورد می‌کنند. با این حال، «چان» معتقد است که علم شاید یکی از بهترین حوزه‌ها برای بهره‌گیری از سامانه‌های هوش مصنوعی امروزی باشد؛ زیرا ایده‌های علمی را می‌توان به‌صورت دقیق و سخت‌گیرانه آزمود.

«چان» گفت: «ما یک ایده را صرفاً به این دلیل که از سوی «آلبرت اینشتین»، یک دانشجوی بااستعداد یا یک مدل هوش مصنوعی مطرح شده است، نمی‌پذیریم. ما تنها زمانی آن را قبول می‌کنیم که بارها و بارها مورد آزمایش قرار گرفته و صحت آن تأیید شده باشد.»

«چان» هوش مصنوعی را ابزاری می‌داند که می‌تواند به پژوهشگران کمک کند ایده‌های بیشتری را بررسی کنند، آن‌ها را با سرعت بالاتری بیازمایند و روند اکتشافات علمی را شتاب دهند؛ در حالی که همچنان بر اصول بنیادین علم، یعنی راستی‌آزمایی و قابلیت بازتولید نتایج، تکیه دارند.

اگر رویکردهایی که «چان» با کمک Codex در حال آزمایش آن‌هاست موفقیت‌آمیز باشند، این الگوریتم‌های جدید در نهایت می‌توانند امکان شبیه‌سازی تریلیون‌ها ذره در اطراف سیاه‌چاله‌ها را برای دانشمندان فراهم کنند. چنین دستاوردی به پژوهشگران اجازه خواهد داد پدیده‌های فیزیکی‌ای را مطالعه کنند که برای دهه‌ها فراتر از توان محاسباتی و ابزارهای موجود بوده‌اند و دسترسی به آن‌ها امکان‌پذیر نبوده است.