الطاقة المظلمة والخوارزميات: كيف يفك الذكاء الاصطناعي ألغاز الكون

95% من كوننا غير مرئي، تهيمن عليه جاذبية المادة والطاقة المظلمة. لعقود، حاول علماء الفيزياء الفلكية فكّ طبيعته باستخدام الإحصاءات البشرية التقليدية. اليوم، تُحد

```html

عندما نرفع أعيننا إلى السماء ليلاً، فإن ما نراه لا يمثل سوى جزء ضئيل للغاية من الواقع. يعلّمنا الفيزياء الفلكية المعاصرة أن حوالي 68% من الكون يتكون من قوة غامضة تعمل على تسريع توسعه، تُسمى الطاقة المظلمة، بينما يشكل 27% آخر من المادة المظلمة غير المرئية. فقط الـ 5% المتبقية الهزيلة تشكل النجوم والكواكب ونحن أنفسنا. إن رسم خرائط وفهم هذا الـ 95% "غير المرئي" هو التحدي الأكبر لعلم الكونيات الحديث.

حتى وقت قريب، اعتمد العلماء في محاولة كشف طبيعة الطاقة المظلمة على معادلات إحصائية بشرية معقدة ولكنها جامدة. اليوم، هناك عدسة جديدة تُحدث ثورة في الفيزياء الفلكية وهي: الذكاء الاصطناعي. ومع ذلك، وكما سنستكشف في هذا التحليل المتعمق لموقع Scenari e Riflessioni، فإن التعلم الآلي لا "يحل" اللغز بطريقة سحرية ليحل محل الفيزياء الأساسية؛ بل إنه يمكّن العلماء من استخراج وقراءة معلومات غير خطية كانت خرائط الكون تحتويها بالفعل، لكن أدواتنا الرياضية القديمة لم تكن قادرة على فك شفرتها.

1. حدود الإحصاء البشري والكون غير الغاوسي

لفهم تأثير الذكاء الاصطناعي، يجب علينا أولاً أن نفهم كيف عمل الفيزيائيون الفلكيون حتى اليوم. عندما تلتقط التلسكوبات الكبيرة صوراً للكون السحيق، فإنها ترسم خريطة لتوزيع المجرات (تجمّع المجرات) وتقيس كيفية تشويه ضوء المجرات البعيدة بفعل جاذبية المادة المظلمة المتداخلة (العدسة الضعيفة، أو العدسة الجاذبية الضعيفة).

لاستخلاص استنتاجات كونية من هذه الخرائط البصرية الهائلة، استخدم الفيزيائيون تاريخياً التحليل الإحصائي الكلاسيكي، المعتمد بشكل شبه كامل على دوال الارتباط الثنائية. ببساطة، يقيس هذا الإحصاء احتمال العثور على مجرتين تفصلهما مسافة معينة. على الرغم من أن هذه الطريقة كانت الركيزة الأساسية لعلم الكونيات لعقود، إلا أنها تمتلك قيداً بنيوياً كبيراً: فهي مثالية لتحليل كون بدائي ومتجانس (من الناحية الرياضية، حقل "غاوسي")، لكنها تفشل في التقاط تعقيد الكون الحالي.

الكون الحالي هو "غير غاوسي" بعمق: فهو شبكة كونية معقدة تتكون من فراغات شاسعة وعناقيد كثيفة من المادة. الإحصائيات الكلاسيكية المصممة من قبل البشر تفقد كمية هائلة من المعلومات المخفية في الهياكل ذات النقاط الثلاث أو الأربع أو أكثر. كما أشار الباحثون في عمل استكشافي حديث نُشر على arXiv (Machine Learning Uncovers New Cosmological Information)، فإن النهج القائم على البيانات في التعلم العميق يتجاوز هذه الحدود البشرية، حيث ينجح في معالجة التعقيد الطوبولوجي الكامل للشبكة الكونية دون تجاهل أي بيانات هيكلية.

2. الاستدلال القائم على المحاكاة: مضاعفة الدقة الكونية

الاسم الحقيقي للثورة المنهجية هو الاستدلال القائم على المحاكاة (SBI). مثال صارخ على هذا النهج جاء من نتائج مسح الطاقة المظلمة (DES)، وهو مشروع دولي رسم خرائط لمئات الملايين من المجرات لإعادة بناء آخر سبعة مليارات سنة من التاريخ الكوني.

في دراسة رائدة أجرتها كلية لندن الجامعية (UCL)، تخلى الباحثون عن الإحصائيات الثنائية لصالح الشبكات العصبية العميقة. كانت النتيجة مذهلة: الدقة في تقدير المعلمات الرئيسية للكون، بما في ذلك كثافة الطاقة المظلمة، تضاعفت حرفياً مقارنة بالطرق التقليدية. كما وثّق المعهد الفيدرالي السويسري للتكنولوجيا في زيورخ نجاحات مماثلة، مما يثبت أن التدريب على خرائط المادة المظلمة باستخدام الذكاء الاصطناعي ينتج تقديرات بارامترية أكثر دقة بنحو 30% مما كانت عليه في الماضي.

ولكن كيف يعمل الاستدلال القائم على المحاكاة (SBI)؟ بدلاً من استخدام صيغة رياضية ثابتة لتفسير البيانات الحقيقية، يولد الفيزيائيون الفلكيون ملايين الأكوان المحاكاة (ما يسمى النماذج الوهمية)، مع تغيير المعلمات الكونية الأساسية في كل مرة (طاقة مظلمة أكثر أو أقل، جاذبية أكثر أو أقل). بعد ذلك، تقوم شبكات عصبية رسومية معقدة، تعمل على هندسات كروية، بضغط هذه الخرائط عالية الأبعاد للغاية في "ملخصات" إحصائية مثالية (إحصائيات موجزة). أخيراً، تقارن خوارزميات متقدمة تسمى تدفقات التطبيع البيانات المرصودة من التلسكوب مع هذا الأرشيف الواسع من المحاكاة، لتقدير الاحتمالات الضمنية في فضاء كوني ذي 10 أبعاد. تتعلم الخوارزمية بنفسها الأنماط البصرية التي تتوافق مع نسبة معينة من الطاقة المظلمة.

3. التصنيف والإبداع: من التجميع إلى النماذج التوليدية

لا يقتصر استخدام التعلم الآلي في الفيزياء الفلكية على استخراج المعلمات، بل يمتد في اتجاهين رائعين: تصنيف النماذج والمحاكاة التوليدية.

يفترض النموذج القياسي لعلم الكونيات (المسمى ΛCDM) أن الطاقة المظلمة هي ثابت كوني ثابت في الزمان والمكان. ومع ذلك، توجد نظريات بديلة: قد تتكتل الطاقة المظلمة (تجمّع الطاقة المظلمة) أو قد تتفاعل ديناميكياً مع المادة المظلمة (الطاقة المظلمة المترافقة). أظهرت دراسة نشرت في Monthly Notices of the RAS أنه يمكن تدريب الشبكات العصبية التلافيفية (CNN) للتمييز بين البصمات البصرية الضعيفة التي تفصل الطاقة المظلمة الثابتة عن تلك التي تتكتل. بالتوازي، تثبت أبحاث في Astronomy & Astrophysics أن هذه الشبكات تحقق دقة تتراوح بين 86% و99% في التمييز بين النموذج القياسي ونماذج الطاقة المظلمة المترافقة، مما يوفر غربالاً لا مثيل له للتحقق من صحة النظريات الفيزيائية.

ومع ذلك، يتطلب تدريب هذه الأنظمة الذكية كميات هائلة من البيانات الأولية (أكوان محاكاة). يتطلب إجراء محاكاة فيزيائية تقليدية من نوع N-body لرسم خرائط لملايين المجرات أشهراً من الحساب على أقوى أجهزة الكمبيوتر العملاقة في العالم. للالتفاف على هذا الاختناق، يستعير الفيزياء الفلكية النماذج التوليدية (المشابهة لتلك التي تنشئ صوراً أو فيديوهات اصطناعية). كما هو موثق في INSPIRE HEP، يمكن للذكاء الاصطناعي تحويل الحقول اللوغاريتمية الطبيعية الأساسية بسرعة إلى خرائط واقعية للبنية واسعة النطاق للكون، مما يعيد إنتاج الخصائص الإحصائية بشكل مثالي بتكلفة حسابية ضئيلة. يخلق الذكاء الاصطناعي بيانات التدريب الاصطناعية لتدريب الذكاء الاصطناعي الذي سيستكشف الكون الحقيقي.

4. تبقى الفيزياء في المركز: مفارقة "الصندوق الأسود"

في مواجهة هذه الأداءات شبه السحرية، فإن الخطر التحريري والعلمي هو تشبيه الخوارزمية بالإنسان، والاعتقاد بأن الآلة تبتكر "فيزياء جديدة". لا شيء أبعد عن الحقيقة. من الضروري التأكيد على أن الذكاء الاصطناعي المطبق في الفيزياء الفلكية مرتبط بشكل صارم ودقيق بقوانين النسبية العامة لأينشتاين.

لا تتعلم النماذج العصبية قراءة الكون من خلال النظر إلى الفراغ؛ إنها تتعلم لأنها تُدرَّب على محاكاة (النماذج الوهمية) تم ترميزها بواسطة الفيزيائيين، والتي تكون فيها معادلات الديناميكا الحرارية والجاذبية المعروفة مزروعة بالفعل. إذا أدخل فيزيائي قواعد خاطئة في المحاكاة التوليدية، فسيبحث الذكاء الاصطناعي عن تأكيدات لتلك القواعد الخاطئة في السماء المرصعة بالنجوم. لهذا السبب، كما يحذر باحثو مسح الطاقة المظلمة (DES)، يجب أن تخضع نتائج الذكاء الاصطناعي لاختبارات متانة صارمة لإثبات أنها غير ملوثة بـ "الأخطاء المنهجية" (أخطاء أدوات التلسكوب أو التحيز في مجموعة التدريب). يستخرج الذكاء الاصطناعي معلومات غير خطية غير مسبوقة، لكن القواعد الأساسية لتلك المعلومات مكتوبة ومصدقة ومضمونة بالعمل البشري.

نقاط رئيسية تنفيذية (خلاصات للبحث وعلم البيانات)

الاستعداد للمسوحات الضخمة: ستنتج المشاريع القادمة مثل مرصد فيرا سي روبين (LSST) والقمر الصناعي الفضائي إقليدس التابع لوكالة الفضاء الأوروبية (ESA) انهيارات من البيانات يستحيل معالجتها بالعين أو بالإحصاء البشري. إن دمج خوارزميات تقليل الضوضاء (إزالة الضوضاء) وتقديرات الانزياح الأحمر الضوئي عبر الذكاء الاصطناعي (كما ثبت باستخدام العمليات الغاوسية على بيانات مسح الطاقة المظلمة DES) هو السبيل الوحيد لإدارة علم الكونيات في العقد القادم.
ضغط البيانات هو القوة: الفائدة الرئيسية للشبكات العصبية في الفيزياء الفلكية ليست توليد إجابات ثنائية، بل ضغط خرائط مكانية ضخمة عالية الأبعاد للغاية في متجهات إحصائية كثيفة، واستخراج أنماط قد تتجاهلها العين أو المعادلة الخطية.
ظهور عالم الفلك وعلوم الحاسوب: تشهد أقسام الفيزياء تحولاً جذرياً. لم يعد علم الكونيات الحديث يتطلب فقط فيزيائيين نظريين أو فلكيين رصديين، بل يتطلب علماء بيانات قادرين على تصميم بنى التعلم العميق، والتحقق من صحة الفضاءات الكامنة، وإدارة نماذج الاستدلال الاحتمالي المعقدة.

الاستنتاجات: من يكتب تاريخ الكون؟

يمثل اعتماد الذكاء الاصطناعي في دراسة الطاقة المظلمة والمادة المظلمة تحولاً عميقاً في النموذج المعرفي. نحن نفوض مراقبة اللانهاية لآلات قادرة على التعرف على هندسات لا تستطيع بيولوجيتنا ورياضياتنا الكلاسيكية احتضانها من الناحية المفاهيمية.

ومع ذلك، تتركنا هذه الثورة التقنية مع سؤال فلسفي رائع حول فعل "الاكتشاف". تكتفي الخوارزمية بمطابقة أنماط متعددة الأبعاد وحشية، خالية تماماً من الحدس الفيزيائي. ولكن إذا تمكنت شبكة عصبية من عزل بصمات الطاقة المظلمة من خلال قراءة معلومات في خريطة كانت أمام أعيننا حرفياً لكننا لم نعرف كيفية فك شفرتها، فمن الذي يكتشف حقاً طبيعة كوننا: جزء الشيفرة البرمجية الذي ينفذ الحساب، أم عقل الفيزيائي الذي درب تلك الشيفرة على النظر إلى الظلام بالطريقة الصحيحة؟

المراجع والمصادر

UCL – More Precise Understanding of Dark Energy Achieved Using AI. [1123, 1124]
arXiv / DES Collaboration – Dark Energy Survey Year 3 Results: Simulation-Based wCDM Inference with Deep Learning. [1131]
ETH Zurich – Artificial Intelligence Probes Dark Matter in the Universe. [1136]
arXiv – Machine Learning Uncovers New Cosmological Information. [1134]
Monthly Notices of the RAS – A Deep Learning Approach to Probe Clustering Dark Energy. [1126]
Astronomy & Astrophysics – Distinguishing Coupled Dark Energy Models with Neural Networks. [1128]
MNRAS – Machine Learning Analysis of Photometric Data from the Dark Energy Survey. [1129]
INSPIRE HEP – Fast and Realistic Large-Scale Structure from Machine-Learning Generative Models. [1125]
arXiv – Opportunities in AI/ML for the Rubin LSST Dark Energy Science. [1132]
arXiv – Denoising Lensing with Machine Learning. [1133]

مقال من إعداد فريق تحرير La Bussola dell’IA

```