الذكاء الاصطناعي يساعد في حساب سعات الغرافيتون في الجاذبية الكمومية

ظلّت الفيزياء النظرية زمنًا طويلًا تُعدّ حصنًا للعقل البشري، أي مجالًا لا غنى فيه عن الحدس وسنوات التدريب المتخصص. غير أن ورقة بحثية أولية جديدة نشرتها مجموعة من الباحثين تضع هذه المسلّمة موضع تساؤل: فقد ساعد نموذج اللغة الكبير GPT-5.2 Pro، للمرة الأولى، في استنتاج سعات الغرافيتون الشجرية غير الصفرية في إطار الجاذبية الكمومية والتحقق منها. وليست هذه مجرد طرفة تقنية، بل إشارة إلى أن الذكاء الاصطناعي بدأ يعمل فعليًا في مجال لم يكن يقدر على العمل فيه سابقًا سوى دائرة ضيقة من المتخصصين.

ولفهم أهمية هذه النتيجة، لا بد من استحضار السياق. سعات التبعثر كائنات رياضية تصف احتمالات تفاعل الجسيمات الأولية. وفي نظرية المجال الكمومية، يُعرف حسابها بمخططات فاينمان التقليدية بأنه عملية شديدة الكلفة، إذ يتزايد عدد الحدود عاملياً مع زيادة عدد الجسيمات المشاركة. أما طريقة ما يُسمى سعات single-minus، وهي فئة خاصة من تشكيلات الهيليسيتي (الحلزونية) يحمل فيها دافع خارجي واحد بالضبط حلزونية سالبة، فتتيح اختصار العمل التحليلي اختصارًا كبيرًا. لكن هذه الطريقة ظلّت حتى وقت قريب تُطبَّق في الغالب على الغلوونات في نظريات المعايرة، مثل الكروموديناميكا الكمومية. أما توسيع هذا النهج ليشمل الغرافيتونات، وهي الجسيمات الناقلة للتفاعل الجاذبي في إطار الجاذبية الكمومية، فقد شكّل مسألة مستقلة غير بسيطة.

الغرافيتونات من الناحية النظرية أعقد بكثير من الغلوونات. فسعات تبعثرها، حتى على مستوى المخططات الشجرية ودون احتساب التصحيحات الكمومية، تنتج تعبيرات ضخمة إلى حدّ مرعب حقًا. وهنا دخل GPT-5.2 Pro على الخط. فقد استخدم الباحثون النموذج لا بديلًا عن الفيزيائي البشري، بل مساعدًا تحليليًا قادرًا على إجراء الحسابات الرمزية وتتبّع السلاسل الجبرية الطويلة والتحقق من صحة النتائج الوسيطة. وساعد النموذج في استنتاج سعات محددة غير صفرية، ثم تحقق منها بمقارنتها بعلاقات معروفة، ولا سيما علاقات كاواباتا-لوفورو-ستيفنز (KLT) التي تربط السعات الجاذبية بسعات المعايرة. ومن المهم التشديد على أن الأمر لا يتعلق بمحاكاة عددية ولا بضبط معاملات، فقد عمل GPT-5.2 Pro مع الجبر الرمزي تحديدًا، وهو الجبر الذي يتطلب تقليديًا مشاركة إنسان ذي مؤهلات مهنية.

هذا التمييز جوهري. فقد استُخدمت الشبكات العصبية خلال السنوات الأخيرة على نطاق واسع في الفيزياء لحل المعادلات التفاضلية وتحسين البنى الجزيئية وتسريع المحاكاة. لكن هذه كلها مسائل يتعامل فيها النموذج مع الأعداد أو يقرّب الدوال. أما الحسابات التحليلية في الفيزياء النظرية فهي قصة مختلفة جذريًا: إذ يجب فيها التعامل مع تعبيرات رمزية، وفهم بنية جبور لي ومجموعة تناظرات المسألة والقيود الفيزيائية المفروضة على النتيجة. وكون نموذج لغوي يتعامل مع عمل كهذا بمستوى يكفي لإدراجه في ورقة بحثية علمية يعني تحولًا نوعيًا في قدرات هذه التقنية.

وتفتح هذه النتيجة أمام الصناعة والأوساط الأكاديمية عدة آفاق مهمة. أولًا، تضفي شرعية على استخدام نماذج اللغة الكبيرة في العلوم النظرية الأساسية، وهو مجال كانت مثل هذه الأدوات تُقابَل فيه سابقًا بالتشكيك. ثانيًا، تشير إلى مجال محدد تحقق فيه نماذج اللغة مكسبًا حقيقيًا: ليس استبدال العالِم، بل تسريع أكثر مراحل العمل روتينية، وإن كانت معقدة تقنيًا. فالمعالجات الجبرية الضخمة التي قد يقضي فيها الفيزيائي النظري أسابيع يمكن، من حيث المبدأ، أن تُختزل إلى ساعات. ثالثًا، يحفّز هذا المنشور نقاشًا حول التحقق: كيف ينبغي للمجتمع العلمي أن يتعامل مع نتائج تم التوصل إلى جزء منها بمساعدة الذكاء الاصطناعي؟ ويبدو أن المؤلفين راهنوا على الشفافية، إذ أوضحوا صراحةً دور GPT-5.2 Pro في العمل.

لا تزال الجاذبية الكمومية إحدى أكبر المسائل العالقة في الفيزياء الأساسية. فالنظرية ما زالت بلا تأكيد تجريبي، والجهاز التحليلي اللازم لتطويرها شديد التعقيد. وإذا استطاعت نماذج اللغة أن تتحمل جزءًا من هذا العبء التحليلي، فقد يتسارع إيقاع البحث النظري بشكل ملحوظ. وليس ذلك لأن الذكاء الاصطناعي يفهم الفيزياء بالمعنى البشري، بل لأنه قادر على التعامل بدقة فائقة وسرعة عالية مع البنى الصورية التي تعبّر بها الفيزياء عن نفسها. هذه ورقة بحثية أولية تستحق المتابعة: فإذا اجتازت النتائج مرحلة المراجعة العلمية، فقد نكون نشهد بداية ممارسة عمل جديدة في الفيزياء النظرية.