هوش مصنوعی در آستانه حل معمای یک میلیون دلاری معادلات ناویه-استوکس

معادلات ناویه-استوکس: زبان ریاضی برای توصیف حرکت سیال

معادلات ناویه-استوکس مجموعه‌ای از معادلات دیفرانسیل جزئی هستند که رفتار هر نوع سیالی را توصیف می‌کنند؛ از آب و هوا گرفته تا روغن، عسل یا گازها. این معادلات بنیادی‌ترین ابزار علمی برای فهم و مدل‌سازی پدیده‌های فیزیکی محسوب می‌شوند و در پیش‌بینی وضعیت آب‌وهوا، طراحی هواپیما، شبیه‌سازی پرتاب موشک و تحلیل جریان خون در رگ‌ها کاربرد دارند.

با وجود کاربردهای گسترده، هنوز پرسش‌های مهمی درباره آن‌ها بی‌پاسخ مانده است، از جمله اینکه آیا این معادلات همیشه راه‌حل مشخص و قابل‌اعتمادی دارند و آیا رفتار آن‌ها همواره آرام و پیوسته است؟ این همان «مسئله وجود و همواری» است که معادلات ناویه-استوکس را در فهرست مسائل جایزه هزاره قرار داده است.

معادلات ناویه–استوکس رفتار نقطه‌به‌نقطه‌ی سیال را با دقتی شگفت‌انگیز توصیف می‌کنند.

فرضیات کلیدی در معادلات ناویه-استوکس

برای بررسی دقیق‌تر این معادلات، سه فرض کلیدی پذیرفته می‌شود:

• سیال نیوتونی: سیالی که ویسکوزیته (چسبندگی) آن مستقل از نیروی واردشده باقی می‌ماند. مانند آب یا هوا، برخلاف سس که سیالی غیرنیوتونی است.
• سیال تراکم‌ناپذیر: سیالی که حجم آن تحت فشار به‌طور قابل‌توجهی تغییر نمی‌کند و چگالی‌اش ثابت می‌ماند. بسیاری از مایعات مانند آب در شرایط عادی تراکم‌ناپذیر در نظر گرفته می‌شوند.
• سیال هم‌دما (ایزوترمال): دمای سیال در حین جریان ثابت باقی می‌ماند و هیچ تبادل گرمایی با محیط یا درون خودش ندارد.

با این سه فرض، معادلات ناویه-استوکس بر پایه اصول شناخته‌شده فیزیک، یعنی قانون بقای جرم (پیوستگی)، قانون دوم نیوتن (نیرو برابر است با جرم ضربدر شتاب) و قانون بقای تکانه، نوشته شده‌اند. این معادلات حرکت هر واحد کوچک از سیال را در مقیاسی تقریباً مولکولی، تحت تأثیر نیروها، فشار و اصطکاک، با دقت بالا توضیح می‌دهند.

مفهوم واگرایی و نقش آن در معادله اول

معادله اول ناویه-استوکس بیانگر اصل پایستگی جرم است؛ یعنی جرم سیال در گذر زمان ثابت می‌ماند و هیچ‌جا نباید جرم به‌طور ناگهانی ایجاد یا از بین برود. این مفهوم با عملگر واگرایی (Divergence) بیان می‌شود.

واگرایی یک میدان برداری (مانند میدان سرعت سیال) نشان می‌دهد که بردارها در یک ناحیه از فضا تمایل دارند از آن نقطه دور شوند (واگرایی مثبت) یا به‌سمت آن جمع شوند (واگرایی منفی). در یک سیال تراکم‌ناپذیر، واگرایی میدان سرعت باید حتماً صفر باشد، به این معنی که ماده در هیچ نقطه‌ای از سیال بی‌دلیل ناپدید یا تولید نمی‌شود.

معادله دوم ناویه-استوکس: قانون دوم نیوتن در دنیای سیالات

معادله دوم ناویه-استوکس در واقع همان قانون دوم نیوتن است که برای سیالات نوشته شده است. این قانون بیان می‌کند که مجموع نیروهای وارد بر یک جسم برابر با جرم آن ضربدر شتابش است.

برای تحلیل دقیق‌تر رفتار سیال در هر نقطه، به‌جای جرم از چگالی استفاده می‌شود. شتاب در معادلات سیالات شامل دو بخش است: تغییر سرعت در گذر زمان در یک نقطه مشخص و تغییر سرعت به دلیل حرکت خود سیال از نقطه‌ای به نقطه‌ای دیگر.

نیروهای وارد بر یک بخش کوچک از سیال شامل فشار (با عبارت گرادیان فشار)، ویسکوزیته یا اصطکاک داخلی سیال (که برای سیالات نیوتونی فرمول مشخصی دارد) و نیروهای خارجی (مانند گرانش) هستند. معادله دوم ناویه-استوکس با ترکیب این نیروها، چگونگی حرکت هر ذره از سیال را توضیح می‌دهد.

چرا معادلات ناویه-استوکس کلید مدل‌سازی سیالات پیچیده‌اند؟

این معادلات با ترکیب دقیق قوانین بنیادی فیزیک، می‌توانند تغییرات سرعت، فشار و چگالی را در هر نقطه از سیال، در طول زمان توصیف کنند. آن‌ها هم جریان‌های آرام و منظم و هم جریان‌های شدیداً آشفته و پیچیده را مدل‌سازی می‌کنند. اما چالش اصلی، «مسئله وجود و همواری راه‌حل‌ها» است؛ یعنی آیا این معادلات همیشه راه‌حل‌های پیوسته و بدون شکستگی دارند؟ رفتار آشفته سیالات واقعی، پیش‌بینی بلندمدت آن‌ها را دشوار می‌کند.

معادلات ناویه–استوکس توانایی مدل‌سازی دقیق جریان‌های سیالی را دارند، اما حل آن‌ها هنوز یک معماست.

با وجود این پیچیدگی‌ها، معادلات ناویه-استوکس پایه‌ی شبیه‌سازی‌های جریان هوا در اطراف هواپیما و خودروها و ستون فقرات پیش‌بینی‌های هواشناسی به‌شمار می‌روند.

چالش معادلات ناویه-استوکس و نقش هوش مصنوعی

این چالش به قرن نوزدهم بازمی‌گردد، زمانی که آنری ناویه و جورج گابریل استوکس به‌صورت مستقل این معادلات را ارائه کردند. با گذشت حدود دو قرن، پرسش بنیادین درباره وجود راه‌حل‌های منظم و قابل‌پیش‌بینی برای این معادلات همچنان بی‌پاسخ مانده است.

در جامعه‌ی علمی نوعی اجماع به‌وجود آمده که حل این مسئله نزدیک است، اما هیچ‌کس نمی‌داند چه کسی موفق خواهد شد یا راه حل از چه مسیری به دست می‌آید.

تیم خاویر گومس سرانو، متشکل از ژئوفیزیکدانان و ریاضیدانان از جمله چینگ‌یائو لای، یونگ‌جی وانگ، تریستان باک‌مَستر و گونزالو کائو لابورا، در حال رهبری این تلاش هستند. این تیم با بهره‌گیری از روش‌های پیشرفته هوش مصنوعی و شبکه‌های عصبی یادگیرنده، شبیه‌سازی‌های قبلی را با دقت بسیار بالاتر بررسی کرده و توانسته‌اند مشخص کنند که تکینگی (Singularity) دقیقاً در کدام نقطه و چگونه شکل می‌گیرد. این پیشرفت‌ها نشان می‌دهد که حل این معمای بزرگ ریاضیات نزدیک است.

سرانو تأکید می‌کند که استفاده از هوش مصنوعی، استراتژی متمایز تیم اوست و به حل این معما در پنج سال آینده خوش‌بین است.

با پیشرفت AlphaEvolve مسائل پیچیده‌ ریاضی اکنون به‌طور بی‌سابقه‌ای حل می‌شوند.

AlphaEvolve: انقلاب جدید در هوش مصنوعی و ریاضیات

خاویر گومس سرانو در پروژه AlphaEvolve با گوگل دیپ‌مایند همکاری داشته است. این سامانه هوش مصنوعی نوآورانه، که با همکاری ترنس تائو (ریاضیدان برجسته) آموزش دیده، می‌تواند مسائل پیچیده ریاضی را با کارایی بی‌سابقه حل کند. AlphaEvolve در ۷۵ درصد موارد به همان پاسخ ریاضیدانان انسانی می‌رسد و در ۲۰ درصد موارد حتی عملکرد بهتری دارد که نرخ موفقیت ۹۵ درصدی را نشان می‌دهد.

شاید یک انسان آموزش‌دیده، که مقالات تخصصی مرتبط را با دقت بخواند، برنامه‌نویسی کند و چند ماه وقت بگذارد، بتواند به چنین نتایجی برسد. اما AlphaEvolve این کار را در یک روز انجام می‌دهد. این دقیقاً همان مزیتی است که آن را منحصربه‌فرد می‌کند. این سیستم می‌تواند به ابزاری قدرتمند تبدیل شود که روند تحقیق در ریاضیات را به‌طور چشمگیری شتاب می‌دهد. من فکر می‌کنم این فناوری قرار است شیوه‌ی کار ما در دنیای ریاضیات را برای همیشه تغییر دهد.

برخلاف AlphaFold2 (که دمیس هسابیس و جان جامپر برای آن نوبل شیمی گرفتند و ساختار پروتئین‌ها را پیش‌بینی می‌کند)، AlphaEvolve برای یک مسئله مشخص آموزش ندیده است. این سامانه، مانند ChatGPT، یک مدل زبانی گسترده است که می‌تواند مسائل متنوعی را در شاخه‌های مختلف ریاضیات حل کند، بدون نیاز به آموزش تخصصی یا داده‌های محدود. این توانایی، AlphaEvolve را به ابزاری قدرتمند و انعطاف‌پذیر در دنیای علم تبدیل کرده است.

دمیس هسابیس ظهور «هوش عمومی مصنوعی» را تا حدود سال ۲۰۳۰ پیش‌بینی کرده است، اما خاویر گومس سرانو محتاط‌تر است. او معتقد است هوش مصنوعی دنیا را تغییر خواهد داد و این تغییر به سوی بهتر شدن خواهد بود، با طرح سوالات پیچیده‌تر و فهم بهتر طبیعت برای طراحی مواد، داروها و فناوری‌های بهتر.