العلاقة بين الذكاء الاصطناعي والفيزياء وكيف يساعدان بعضهما؟
AI بالعربي – خاص
حقق العلماء لسنوات طويلة، إنجازات واختراقات كبيرة في مجال الفيزياء باستخدام عقولهم كأدوات أساسية، ولكن ماذا لو استطاع الذكاء الاصطناعي المساعدة في هذه الاكتشافات؟
أوضح باحثون في جامعة ديوك “Duke University” أن دمج الفيزياء المعروفة في خوارزميات التعلم الآلي يمكن أن يؤدي إلى مستويات جديدة من الاكتشافات في خصائص المواد، وفقًا لبيان صحفي صادر عن المؤسسة.
وفي مشروع هو الأول من نوعه، قام الباحثون ببناء خوارزمية التعلم الآلي لاستنتاج خصائص فئة من المواد المعروفة باسم المواد الخارقة ولتحديد كيفية تفاعلها مع المجالات الكهرومغناطيسية.
توقع خصائص المواد الخارقة
نتائج التجربة كانت غير عادية، فقد تنبأت الخوارزمية الجديدة بدقة بخصائص المادة الخارقة بشكل أكثر كفاءة من الطرق السابقة مع توفير رؤى جديدة.
وقال ويلي باديلا، أستاذ الهندسة الكهربائية وهندسة الحاسوب في جامعة ديوك: “من خلال دمج الفيزياء المعروفة مباشرة في التعلم الآلي، يمكن للخوارزمية إيجاد حلول ببيانات أقل وفي وقت أقل”.
وقال جوردان مالوف، أستاذ باحث مساعد في الهندسة الكهربائية وهندسة الحاسوب في جامعة ديوك: “تحاول الشبكات العصبية للذكاء الاصطناعي العثور على أنماط في البيانات، لكن في بعض الأحيان لا تلتزم الأنماط التي تجدها بقوانين الفيزياء، مما يجعل النموذج الذي تخلقه غير موثوق به”.
وأضاف: “من خلال إجبار الشبكة العصبية على الانصياع لقوانين الفيزياء، منعناها من العثور على علاقات قد تناسب البيانات ولكنها ليست صحيحة في الواقع”.
لقد فعلوا ذلك من خلال فرض فيزياء على الشبكة العصبية تسمى نموذج لورنتز “Lorentz model”، وهي مجموعة من المعادلات التي تصف كيف يتردد صدى الخصائص الجوهرية للمادة في المجال الكهرومغناطيسي.
وقال عمر الخطيب، وهو باحث ما بعد الدكتوراه يعمل في مختبر باديلا: “عندما تجعل شبكة عصبية أكثر قابلية للتفسير، وهو ما فعلناه هنا إلى حد ما، فقد يكون من الصعب ضبطها، لقد واجهنا بالتأكيد وقتا صعبا في تحسين التدريب لمعرفة الأنماط”.
وقال باديلا: “الآن بعد أن أثبتنا أنه يمكن القيام بذلك، نريد تطبيق هذا النهج على الأنظمة التي تكون فيها الفيزياء غير معروفة”.
وأضاف مالوف: “يستخدم الكثير من الأشخاص الشبكات العصبية للتنبؤ بخصائص المواد، لكن الحصول على بيانات تدريب كافية من عمليات المحاكاة يمثل عقبة كبيرة، مضيفًا: “سيساعد هذا العمل على إنشاء نماذج لا تحتاج إلى الكثير من البيانات، وهو أمر مفيد في جميع المجالات”.