هوش مصنوعی معمای صدساله فیزیک را حل کرد

به گزارش بهار زاگرس، پژوهشگران دانشگاه نیومکزیکو و آزمایشگاه ملی لس آلاموس با ابداع چارچوبی محاسباتی پیشرفته به نام «شبکه‌های تانسور برای بازنمایی اشیای چندبعدی» یا «تور»، گامی بزرگ در حل یکی از چالش‌های دیرینه فیزیک آماری برداشتند.

این سیستم، که از الگوریتم‌های شبکه‌های تانسور بهره می‌برد، معادلات پیچیده انتگرال‌های پیکربندی و معادلات دیفرانسیل جزئی را با فشرده‌سازی و تحلیل کارآمد داده‌ها حل می‌کند. این معادلات برای درک رفتار مواد تحت شرایط مختلف گرمایی و مکانیکی حیاتی‌اند.

گفته می‌شود چارچوب تور با ترکیب شبکه‌های تانسور و پتانسیل‌های یادگیری ماشینی، که نیروهای بین‌اتمی و حرکت اتم‌ها را مدل‌سازی می‌کنند، شبیه‌سازی‌های دقیقی از مواد در گسترهٔ وسیعی از شرایط فیزیکی فراهم آورده است.

بویان الکساندروف، پژوهشگر ارشد هوش مصنوعی در لس آلاموس و رهبر این پروژه، اظهار داشت: «انتگرال پیکربندی، که برهم‌کنش‌های ذرات را توصیف می‌کند، به‌ویژه در کاربردهای علوم مواد تحت فشارهای شدید یا گذارهای فازی، به شدت دشوار و زمان‌بر است.»

او افزود: «تعیین دقیق رفتار گرمایی مواد، درک ما از مکانیک آماری را عمیق‌تر کرده و به حوزه‌هایی مانند متالورژی کمک می‌کند.»

بر این اساس، روش‌های سنتی مانند شبیه‌سازی‌های دینامیک مولکولی و مونت‌کارلو برای تخمین انتگرال پیکربندی به کار می‌رفتند، اما این روش‌ها به دلیل «نفرین ابعادی» (یعنی افزایش نمایی پیچیدگی محاسباتی با افزودن هر متغیر) با محدودیت‌های جدی مواجه بودند.

حتی سریع‌ترین ابررایانه‌های جهان نیز برای این محاسبات هفته‌ها زمان نیاز داشتند و نتایجشان محدود بود.

گفتنی است چهارچوب تور این چالش چندبعدی را با استفاده از تکنیک ریاضی «تفکیک متقاطع قطار تانسور» به مسئله‌ای قابل‌حل تبدیل می‌کند.

این روش داده‌های چندبعدی را به زنجیره‌ای از اجزای کوچک‌تر و متصل تقسیم کرده و با شناسایی تقارن‌های بلوری مهم، امکان محاسبهٔ انتگرال پیکربندی را در چند ثانیه فراهم می‌آورد.