ساعدت AI في حساب سعات الغرافيتونات في الجاذبية الكمومية

ظلت الفيزياء النظرية تعتبر لفترة طويلة حكراً على العقل البشري — مجالاً تكون فيه الحدس والسنوات من التدريب المتخصص ضروريين لا غنى عنهما. مقالة ما قبل الطباعة جديدة نشرتها مجموعة من الباحثين تطعن في هذه البديهية: نموذج اللغة الكبير GPT-5.2 Pro ساعد للمرة الأولى في استخلاص والتحقق من سعات غير صفرية لغرافيتونات بمستوى الشجرة في إطار الجاذبية الكمية. هذا ليس مجرد فضول تقني — بل هو إشارة إلى أن الذكاء الاصطناعي يبدأ في العمل بجدية حيث كان بإمكان دائرة ضيقة من المتخصصين فقط أن يعملوا سابقاً.

لفهم أهمية النتيجة، يجب التعمق في السياق. السعات المتناثرة هي أجسام رياضية تصف احتمالات التفاعلات بين الجزيئات الأولية. في نظرية الحقل الكمي، يُعرّف حسابها باستخدام رسوم تخطيطية فاينمان الكلاسيكية منذ فترة طويلة بأنه عملية شاقة جداً: يزداد عدد الحدود بشكل عاملي مع عدد الجزيئات المشاركة. طريقة ما يُسمّى بسعات أحادي الناقص — فئة خاصة من تكوينات الحلزونية حيث يكون لأحد الدوافع الخارجية بالضبط حلزونية سالبة — تسمح بتقليل العمل التحليلي بشكل كبير. ومع ذلك، حتى وقت قريب، كانت هذه الطريقة تُطبّق بشكل أساسي على الغلونات في نظريات المقياس، مثل الديناميكا اللونية الكمية. كان توسيع النهج ليشمل الغرافيتونات — جزيئات تنقل التفاعل الجاذبي في إطار الجاذبية الكمية — يشكل مهمة غير تافهة منفصلة.

الغرافيتونات بالمعنى النظري أكثر تعقيداً بكثير من الغلونات. سعاتها المتناثرة، حتى على مستوى رسوم تخطيطية الشجرة دون الأخذ في الاعتبار التصحيحات الكمية، تولد تعبيرات معقدة بشكل حقيقي ومرعب. كان هنا حيث دخل GPT-5.2 Pro المشهد. استخدم الباحثون النموذج ليس كبديل لفيزيائي بشري، بل كمساعد تحليلي قادر على التعامل مع الحسابات الرمزية، وتتبع سلاسل جبرية طويلة، والتحقق من النتائج الوسيطة من حيث الدقة. ساعد النموذج في استخلاص سعات محددة غير صفرية والتحقق منها بمقارنتها بالعلاقات المعروفة — وخاصة علاقات كاواباتا-لوفورو-ستيفنز التي تربط السعات الجاذبية وسعات المقياس. من المهم التأكيد: نحن لا نتحدث عن محاكاة عددية أو ضبط المعاملات — عمل GPT-5.2 Pro بالضبط مع الجبر الرمزي، ذلك الجبر نفسه الذي يتطلب تقليدياً مشاركة إنسان بمؤهل مهني.

هذا التمييز أساسي. في السنوات الأخيرة، تم تطبيق الشبكات العصبية بشكل نشط في الفيزياء لحل المعادلات التفاضلية، أو تحسين الهياكل الجزيئية، أو تسريع المحاكاة. لكن كل هذا يشمل مهام يعمل فيها النموذج على أرقام أو يقارب الدوال. الحسابات التحليلية في الفيزياء النظرية مسألة مختلفة بشكل أساسي: هنا يجب على المرء أن يتلاعب بالتعبيرات الرمزية، وأن يفهم بنية جبر لي، ومجموعة التماثل للمشكلة، والقيود الفيزيائية المفروضة على النتيجة. أن ينجح نموذج لغة في عمل من هذا القبيل على مستوى كافٍ لإدراجه في ورقة علمية ما قبل الطباعة يمثل تحولاً نوعياً في قدرات التكنولوجيا.

بالنسبة للصناعة والمجتمع الأكاديمي، تفتح هذه النتيجة عدة آفاق مهمة. أولاً، تشرعن استخدام نماذج اللغة الكبيرة في العلم النظري الأساسي — مجال كانت هذه الأدوات تُنظر إليه بريبة سابقاً. ثانياً، تشير إلى مكانة محددة حيث توفر نماذج اللغة ميزة حقيقية: لا تحل محل العالم، بل تسرع المراحل الأكثر روتينية، رغم أنها معقدة تقنياً، من العمل. تنضغط التلاعبات الجبرية الثقيلة، التي قد يقضيها فيزيائي نظري أسابيع، إلى ساعات محتملة. ثالثاً، تحفز النشر النقاش حول التحقق: كيف يجب على المجتمع أن يتعامل مع النتائج المستخرجة جزئياً بمساعدة الذكاء الاصطناعي؟ يبدو أن المؤلفين راهنوا على الشفافية — محددين بصراحة دور GPT-5.2 Pro في العمل.

تبقى الجاذبية الكمية واحدة من أهم المشاكل غير المحلولة في الفيزياء الأساسية. النظرية لا تزال تفتقر إلى التأكيد التجريبي، والمعدات التحليلية اللازمة لتطويرها معقدة بشكل استثنائي. إذا كانت نماذج اللغة قادرة على تحمل جزء من هذا العبء التحليلي، فقد يتسارع وتيرة البحث النظري بشكل ملحوظ. ليس لأن الذكاء الاصطناعي يفهم الفيزياء بالمعنى البشري — بل لأنه قادر على التعامل بدقة وسرعة استثنائية مع تلك البنى الرسمية التي تعبر من خلالها الفيزياء عن نفسها. هذه ورقة ما قبل الطباعة تستحق الاهتمام: إذا اجتازت النتائج مراجعة النظراء، قد نشهد بداية ممارسة عمل جديدة في الفيزياء النظرية.