شبیه‌سازی سیاه‌چاله با هوش مصنوعی؛ نقش Codex در مدل‌سازی پلاسما

استفاده از هوش مصنوعی در پژوهش‌های علمی وارد مرحله‌ای تازه شده است. یکی از نمونه‌های مهم آن، کاربرد Codex در اخترفیزیک و شبیه‌سازی سیاه‌چاله‌ها است؛ جایی که چی-کوان چان، پژوهشگر دانشگاه آریزونا و رصدخانه استوارد، از Codex برای پالایش، پیاده‌سازی و آزمایش الگوریتم‌هایی استفاده می‌کند که حرکت الکترون‌ها و یون‌ها را در اطراف سیاه‌چاله‌ها شبیه‌سازی می‌کنند.

سیاه‌چاله‌ها از مرموزترین و افراطی‌ترین اجرام کیهانی هستند. گرانش در اطراف آن‌ها چنان شدید است که هیچ چیز، حتی نور، پس از عبور از مرزی به نام افق رویداد یا Event Horizon نمی‌تواند از آن بگریزد. اخترفیزیک‌دانان برای فهم این محیط‌های پیچیده، به ترکیبی از داده‌های رصدی، ابررایانه‌ها، شبیه‌سازی عددی، فیزیک پلاسما و اکنون هوش مصنوعی مولد یا Generative AI متکی هستند.

در سال ۲۰۱۹ میلادی، برابر با ۱۳۹۸ هجری شمسی، همکاری بین‌المللی تلسکوپ افق رویداد یا Event Horizon Telescope، نخستین تصویر مستقیم از سایه یک سیاه‌چاله را منتشر کرد. این تصویر، سیاه‌چاله‌ای را نشان می‌داد که در میان پلاسمای درخشان نزدیک افق رویداد قرار داشت. اکنون هدف پژوهشگران تنها تولید تصویر ثابت نیست؛ آن‌ها در حال حرکت به سمت ساخت نخستین ویدئو از یک سیاه‌چاله کلان‌جرم هستند، به‌ویژه سیاه‌چاله مرکز کهکشان M87.

ترجمه و بازنویسی خبر: Codex چگونه به شبیه‌سازی سیاه‌چاله‌ها کمک می‌کند؟

جاذبه در اطراف سیاه‌چاله آن‌قدر شدید است که هیچ چیز، حتی نور، پس از نزدیک شدن بیش از حد نمی‌تواند از آن فرار کند. اخترفیزیک‌دانانی مانند چی-کوان چان، سیاه‌چاله‌ها را با کمک شبیه‌سازی‌های رایانه‌ای و داده‌های رصدی مطالعه می‌کنند. با این حال، الگوریتم‌های فعلی و توان محاسباتی موجود، میزان واقع‌گرایی این شبیه‌سازی‌ها را محدود می‌کنند.

چان که پژوهشگر دانشگاه آریزونا و رصدخانه استوارد است، با کمک Codex در حال تلاش برای حل بخشی از این مشکل است. سیاه‌چاله‌ها از بهترین آزمایشگاه‌های طبیعی برای بررسی نظریه نسبیت عام اینشتین محسوب می‌شوند. نسبیت عام، فعلاً دقیق‌ترین توضیح علمی ما از گرانش است. در این نظریه، گرانش صرفاً نیرویی نیست که اجسام را به سمت هم می‌کشد؛ بلکه نتیجه خمیده شدن بافت فضا-زمان بر اثر جرم و انرژی است.

چان عضو همکاری بین‌المللی Event Horizon Telescope یا EHT است؛ همان گروهی که در سال ۲۰۱۹ میلادی، برابر با ۱۳۹۸ شمسی، نخستین تصویر از یک سیاه‌چاله را منتشر کرد. این تیم اکنون داده‌هایی را جمع‌آوری می‌کند تا نخستین ویدئو از یک سیاه‌چاله کلان‌جرم تولید شود. تمرکز اصلی آن‌ها بر سیاه‌چاله مرکز کهکشان M87 است.

اما تبدیل داده‌های رصدی به فهم علمی، نیازمند پردازش حجم عظیمی از داده‌ها، گردش‌کارهای محاسباتی در مقیاس بزرگ و شبیه‌سازی‌هایی است که بتوانند فیزیک بسیار افراطی اطراف سیاه‌چاله‌ها را مدل‌سازی کنند.

از آنجا که نور نمی‌تواند از درون سیاه‌چاله فرار کند، دانشمندان ناحیه اطراف آن را مطالعه می‌کنند؛ ناحیه‌ای که مرز اصلی آن افق رویداد نام دارد. چان این مرز را «سطح بی‌بازگشت» توصیف می‌کند. ماده‌ای که درست بیرون این مرز می‌چرخد، نور منتشر می‌کند و همین نور برای اخترفیزیک‌دانان قابل مشاهده، اندازه‌گیری و شبیه‌سازی است.

تصویر سال ۱۳۹۸ تلسکوپ افق رویداد، سایه یک سیاه‌چاله را درون پلاسمای درخشان نزدیک افق رویداد نشان داد. چان در توسعه ابزارهای شبیه‌سازی و محاسباتی مورد استفاده برای تفسیر این مشاهدات نقش داشته است. از آن زمان تاکنون، او و همکارانش به بهبود ابزارها و توان رصدی ادامه داده‌اند تا از تصویر ثابت به سمت ویدئوی سیاه‌چاله حرکت کنند.

چالش اصلی: پلاسما و حرکت مارپیچی ذرات

یکی از بزرگ‌ترین موانع برای چان و تیم او، مدل‌سازی پلاسما یا Plasma در اطراف سیاه‌چاله‌ها است. پلاسما ماده‌ای فوق‌داغ است که از ذرات باردار، به‌ویژه الکترون‌ها و یون‌ها، تشکیل شده است.

در بسیاری از شبیه‌سازی‌ها، دانشمندان پلاسما را مانند یک سیال در نظر می‌گیرند و با استفاده از معادلات شناخته‌شده، حرکت آن را در اطراف سیاه‌چاله مدل‌سازی می‌کنند. این روش در پلاسماهای چگال، جایی که الکترون‌ها و یون‌ها پیوسته با یکدیگر برخورد می‌کنند، عملکرد قابل‌قبولی دارد.

اما در نزدیکی سیاه‌چاله‌های کلان‌جرمی که چان و همکارانش مطالعه می‌کنند، برخی نواحی آن‌قدر داغ و رقیق هستند که ذرات به‌ندرت با یکدیگر برخورد می‌کنند. به گفته چان، این ذرات واقعاً با هم برخورد نمی‌کنند؛ بلکه عمدتاً در امتداد خطوط میدان مغناطیسی حرکت مارپیچی یا Spiral Motion دارند.

برای مدل‌سازی دقیق این رفتار، پژوهشگران باید حرکت تریلیون‌ها الکترون و یون را هنگام چرخش سریع آن‌ها در اطراف خطوط میدان مغناطیسی دنبال کنند. مشکل اینجاست که شبیه‌سازی‌های استاندارد ناچارند هر چرخش کوچک را محاسبه کنند. این موضوع باعث می‌شود رایانه‌ها از گام‌های زمانی بسیار کوچک یا Tiny Timesteps استفاده کنند.

نتیجه روشن است: حتی سریع‌ترین ابررایانه‌های جهان نیز بخش بزرگی از زمان خود را صرف محاسبه حرکت‌های بسیار ریز ذرات می‌کنند، نه رفتار بزرگ‌مقیاسی که دانشمندان واقعاً می‌خواهند مطالعه کنند. این محدودیت، دهه‌هاست واقع‌گرایی شبیه‌سازی پلاسما در اطراف سیاه‌چاله‌ها را کاهش داده است.

Codex چگونه وارد مسئله شد؟

چان احتمال داد که تکنیک‌های جدید ریاضی بتوانند این محدودیت را کاهش دهند. ایده اصلی این بود که چارچوب ریاضی ردیابی حرکت ذرات تغییر کند تا رایانه مجبور نباشد هر مارپیچ کوچک را به‌صورت مستقیم دنبال کند.

اما بررسی همه احتمالات ریاضی به‌صورت دستی، زمان بسیار زیادی می‌برد. به همین دلیل، چان از Codex کمک گرفت تا الگوریتم‌های کاندیدا را استخراج، پیاده‌سازی و در برابر پاسخ‌های شناخته‌شده آزمایش کند.

Codex چندین رویکرد بالقوه تولید کرد. همه آن‌ها درست نبودند. اما از نگاه علمی، این موضوع مشکل اصلی نیست. همان‌طور که چان می‌گوید، بیشتر ایده‌های علمی شکست می‌خورند. نکته مهم این است که این الگوریتم‌ها قابل آزمون باشند. وقتی یکی از آن‌ها کار کند، می‌تواند راه را برای شبیه‌سازی‌هایی باز کند که پیش‌تر غیرممکن بودند.

این نکته برای استفاده از هوش مصنوعی در علم بسیار مهم است. برخی سامانه‌های هوش مصنوعی پاسخ‌هایی ارائه می‌کنند که فرایند رسیدن به آن‌ها شفاف نیست. اما گروه چان از Codex برای پیشنهاد و پیاده‌سازی طرح‌های عددی یا Numerical Schemes استفاده می‌کند؛ طرح‌هایی که می‌توان آن‌ها را بررسی، آزمایش و از نظر فیزیکی تفسیر کرد.

چرا این موضوع برای علم مهم است؟

سیاه‌چاله‌ها فقط اجرامی عجیب در فضا نیستند. آن‌ها آزمایشگاه‌هایی طبیعی برای آزمون فیزیک بنیادی هستند. در محیطی که گرانش، میدان مغناطیسی، پلاسما، تابش و سرعت‌های نزدیک به سرعت نور با هم ترکیب می‌شوند، نظریه‌های فیزیکی باید در سخت‌ترین شرایط ممکن پاسخ‌گو باشند.

اگر الگوریتم‌هایی که با کمک Codex آزمایش می‌شوند موفق شوند، پژوهشگران می‌توانند در آینده حرکت تریلیون‌ها ذره را در اطراف سیاه‌چاله‌ها شبیه‌سازی کنند. چنین جهشی می‌تواند مطالعه پدیده‌هایی را ممکن کند که برای دهه‌ها از دسترس خارج بوده‌اند.

این پیشرفت تنها برای اخترفیزیک مهم نیست. روش‌های مشابه می‌توانند در حوزه‌های دیگر نیز کاربرد داشته باشند؛ از فیزیک پلاسما و همجوشی هسته‌ای گرفته تا شبیه‌سازی مواد، طراحی الگوریتم‌های علمی، مدل‌سازی عددی و محاسبات پرکارایی یا High-Performance Computing.

مسئله واقعی پژوهشگران: محدودیت الگوریتم، نه فقط کمبود سخت‌افزار

بسیاری تصور می‌کنند مشکل اصلی علم محاسباتی فقط کمبود قدرت پردازشی است. اما در شبیه‌سازی سیاه‌چاله‌ها، مسئله پیچیده‌تر است. حتی اگر ابررایانه سریع‌تری در اختیار پژوهشگران باشد، الگوریتم ناکارآمد همچنان می‌تواند منابع محاسباتی را هدر دهد.

در مدل‌سازی پلاسماهای کم‌برخورد یا Collisionless Plasma، حرکت ذرات به‌شدت تحت تأثیر میدان‌های مغناطیسی قرار دارد. اگر الگوریتم مجبور باشد کوچک‌ترین حرکت‌های دورانی را محاسبه کند، مقیاس زمانی شبیه‌سازی به‌شدت محدود می‌شود. بنابراین راه‌حل عملی، فقط افزایش توان سخت‌افزار نیست؛ بلکه باید الگوریتم‌های عددی هوشمندتر طراحی شوند.

Codex در اینجا نقش یک «همکار محاسباتی» را ایفا می‌کند. این ابزار می‌تواند به پژوهشگر کمک کند:

• ایده‌های ریاضی را سریع‌تر به کد تبدیل کند.
• چندین روش عددی را با سرعت بیشتری مقایسه کند.
• خطاهای پیاده‌سازی را زودتر پیدا کند.
• آزمون‌های عددی استاندارد بسازد.
• مستندات و توضیحات فنی الگوریتم را آماده کند.
• مسیرهای پژوهشی بیشتری را با هزینه زمانی کمتر بررسی کند.

با این حال، Codex جایگزین دانشمند نمی‌شود. نقش نهایی در تفسیر فیزیکی، اعتبارسنجی، طراحی آزمایش و تصمیم‌گیری علمی همچنان بر عهده پژوهشگر است.

مزایای استفاده از Codex در شبیه‌سازی سیاه‌چاله

کاربرد Codex در این پروژه چند مزیت کلیدی دارد. نخست، سرعت ایده‌پردازی و پیاده‌سازی را افزایش می‌دهد. در پژوهش‌های عددی، فاصله میان یک ایده ریاضی و کدی که بتوان آن را آزمود، گاهی بسیار زیاد است. Codex این فاصله را کاهش می‌دهد.

دوم، امکان آزمون ایده‌های بیشتر را فراهم می‌کند. علم اغلب از مسیر آزمون و خطا پیش می‌رود. اگر یک پژوهشگر بتواند به جای سه روش، سی روش را بررسی کند، احتمال یافتن الگوریتم کارآمد افزایش می‌یابد.

سوم، Codex می‌تواند به تولید کدهای قابل بررسی کمک کند. برخلاف برخی سیستم‌های بسته که فقط پاسخ نهایی ارائه می‌دهند، کد و طرح عددی را می‌توان خط‌به‌خط تحلیل کرد. این ویژگی برای علم حیاتی است، زیرا نتایج علمی باید قابل بازتولید یا Reproducible باشند.

چهارم، استفاده از هوش مصنوعی می‌تواند فرایند مستندسازی را بهتر کند. در پروژه‌های بزرگ علمی، مستندات دقیق به اندازه خود کد اهمیت دارند. الگوریتمی که مستند نشده باشد، حتی اگر درست کار کند، در بلندمدت به سختی قابل استفاده خواهد بود.

محدودیت‌ها و ریسک‌های هوش مصنوعی در علم

با وجود مزایا، استفاده از مدل‌های زبانی بزرگ یا Large Language Models در پژوهش علمی بدون ریسک نیست. این مدل‌ها ممکن است پاسخ‌های نادرست، الگوریتم‌های ناقص یا استدلال‌های ظاهراً معتبر اما اشتباه تولید کنند. در ادبیات هوش مصنوعی، این پدیده گاهی با عنوان Hallucination یا تولید پاسخ ساختگی شناخته می‌شود.

به همین دلیل، رویکرد چان اهمیت زیادی دارد. او و تیمش هیچ ایده‌ای را صرفاً به دلیل تولید شدن توسط Codex نمی‌پذیرند. یک الگوریتم فقط زمانی ارزش علمی دارد که بتوان آن را در برابر جواب‌های شناخته‌شده، آزمون‌های عددی، قوانین فیزیکی و معیارهای پایداری بررسی کرد.

چان می‌گوید ایده علمی را نه به دلیل مطرح شدن از سوی اینشتین، نه به دلیل پیشنهاد یک دانشجوی باهوش و نه به دلیل تولید شدن توسط یک مدل هوش مصنوعی می‌پذیریم؛ بلکه تنها پس از آزمون‌های مکرر آن را قبول می‌کنیم. این جمله، خلاصه‌ای دقیق از جایگاه درست AI در علم است: هوش مصنوعی می‌تواند ایده تولید کند، اما اعتبار علمی را آزمون تعیین می‌کند.

راهکارهای عملی برای پژوهشگران حوزه شبیه‌سازی علمی

پژوهشگرانی که می‌خواهند از Codex یا ابزارهای مشابه در شبیه‌سازی‌های علمی استفاده کنند، بهتر است چند اصل عملی را رعایت کنند:

1. مسئله را دقیق و ریاضی تعریف کنید.

قبل از استفاده از AI، باید مشخص باشد که متغیرها، معادلات، شرایط مرزی و معیارهای موفقیت چیستند.

2. کد تولیدشده را بدون آزمون نپذیرید.

هر خروجی Codex باید با تست واحد، تست همگرایی، آزمون پایداری و مقایسه با جواب تحلیلی یا داده معتبر بررسی شود.

3. از AI برای گسترش فضای ایده‌ها استفاده کنید، نه برای جایگزینی داوری علمی.

Codex می‌تواند گزینه‌های بیشتری پیشنهاد دهد، اما انتخاب نهایی باید بر اساس فیزیک و ریاضیات باشد.

4. مستندسازی را هم‌زمان انجام دهید.

هر الگوریتم باید توضیح داشته باشد: چه فرضی دارد، کجا معتبر است، کجا شکست می‌خورد و چه هزینه محاسباتی دارد.

5. بازتولیدپذیری را اصل قرار دهید.

کد، داده آزمون، نسخه کتابخانه‌ها و پارامترهای شبیه‌سازی باید قابل ردیابی باشند.

6. از معیارهای عملکرد واقعی استفاده کنید.

یک الگوریتم فقط زمانی بهتر است که دقت، پایداری و سرعت را هم‌زمان بهبود دهد.

از تصویر به ویدئو؛ آینده تلسکوپ افق رویداد

انتشار نخستین تصویر سیاه‌چاله در سال ۱۳۹۸ یک نقطه عطف تاریخی بود. اما تولید ویدئو از یک سیاه‌چاله، مرحله‌ای دشوارتر است. ویدئو نیازمند درک تغییرات زمانی پلاسما، میدان مغناطیسی و تابش در اطراف سیاه‌چاله است. این کار فقط با داده رصدی ممکن نیست؛ بلکه باید شبیه‌سازی‌های بسیار دقیق نیز در کنار آن قرار گیرد.

در مرکز کهکشان M87، سیاه‌چاله‌ای کلان‌جرم قرار دارد که یکی از اهداف اصلی پژوهشگران EHT است. ساخت ویدئوی این سیاه‌چاله می‌تواند نشان دهد که پلاسما چگونه می‌چرخد، چگونه تابش تولید می‌شود و چگونه میدان‌های مغناطیسی در نزدیکی افق رویداد رفتار می‌کنند.

اگر الگوریتم‌های جدید بتوانند هزینه محاسباتی حرکت‌های مارپیچی ذرات را کاهش دهند، شبیه‌سازی‌ها به واقعیت نزدیک‌تر می‌شوند. این یعنی تصویرسازی علمی از سیاه‌چاله‌ها دقیق‌تر، سریع‌تر و قابل اعتمادتر خواهد شد.

خلاصه کوتاه :

Codex به اخترفیزیک‌دانان کمک می‌کند الگوریتم‌های عددی شبیه‌سازی سیاه‌چاله‌ها را سریع‌تر طراحی، پیاده‌سازی و آزمایش کنند. چی-کوان چان از دانشگاه آریزونا و رصدخانه استوارد از Codex برای مدل‌سازی حرکت الکترون‌ها و یون‌ها در پلاسماهای کم‌برخورد اطراف سیاه‌چاله‌ها استفاده می‌کند. چالش اصلی این است که ذرات باردار در نزدیکی میدان‌های مغناطیسی با حرکت‌های مارپیچی بسیار سریع حرکت می‌کنند و شبیه‌سازی مستقیم آن‌ها نیازمند گام‌های زمانی بسیار کوچک است. Codex می‌تواند طرح‌های عددی جدید پیشنهاد دهد، اما اعتبار آن‌ها تنها با آزمون‌های علمی، مقایسه با جواب‌های شناخته‌شده و بررسی فیزیکی پذیرفته می‌شود.

جمع‌بندی

کاربرد Codex در شبیه‌سازی سیاه‌چاله‌ها نمونه‌ای مهم از نقش جدید هوش مصنوعی در علم است. در این رویکرد، AI نه جایگزین پژوهشگر است و نه مرجع نهایی حقیقت. بلکه ابزاری برای تسریع ایده‌پردازی، پیاده‌سازی، آزمایش و مستندسازی الگوریتم‌های علمی است.

چالش شبیه‌سازی پلاسما اطراف سیاه‌چاله‌ها به‌ویژه در نواحی کم‌چگال و کم‌برخورد، یکی از مسائل دشوار اخترفیزیک محاسباتی است. حرکت سریع و مارپیچی الکترون‌ها و یون‌ها باعث می‌شود شبیه‌سازی‌های استاندارد به‌شدت پرهزینه شوند. اگر الگوریتم‌های جدیدی که با کمک Codex بررسی می‌شوند موفق باشند، دانشمندان می‌توانند پدیده‌هایی را مدل‌سازی کنند که تاکنون حتی برای سریع‌ترین ابررایانه‌ها نیز دشوار بوده‌اند.

در نهایت، ارزش اصلی این پروژه در ترکیب سه عنصر است: فیزیک عمیق، محاسبات پیشرفته و هوش مصنوعی آزمون‌پذیر. چنین ترکیبی می‌تواند مسیر تازه‌ای برای فهم سیاه‌چاله‌ها، نسبیت عام، پلاسماهای کیهانی و آینده محاسبات علمی باز کند.