انقلاب هوش مصنوعی در حل معادلات پیچیده علمی: از سال‌ها به چند دقیقه

معضل دیرینه معادلات در علوم طبیعی

جهان طبیعی به سه قلمرو اصلی کوانتومی، اتمی و پیوسته تقسیم می‌شود که هر یک توسط معادلات دیفرانسیل پیچیده‌ای کنترل می‌شوند. شوی‌وانگ، نویسنده همکار این مطالعه از دانشگاه A&M تگزاس، تأکید می‌کند که هدف علوم طبیعی، درک جهان در مقیاس‌های زمانی و فیزیکی گوناگون است.

برای مثال، معادله شرودینگر که پایه مکانیک کوانتومی است، تنها برای دو الکترون پاسخ تحلیلی دارد. اما در مواجهه با میلیون‌ها ذره، حل آن تقریباً ناممکن می‌شود. با افزایش تعداد ذرات، تعداد متغیرها به‌صورت نمایی رشد می‌کند؛ پدیده‌ای که به آن «نفرین ابعاد» (Curse of Dimensionality) گفته می‌شود و حتی ابررایانه‌ها را نیز فلج می‌کند. روش‌های عددی سنتی، اگرچه راه‌حلی تقریبی ارائه می‌دهند، اما به هفته‌ها زمان پردازش نیاز دارند و از نظر دقت محدودیت دارند، که این موضوع روند پیشرفت در حوزه‌هایی همچون طراحی باتری یا شناسایی کاتالیست‌های جدید را کند می‌کند.

آموزش ریاضیات پیچیده به هوش مصنوعی

مدل‌های یادگیری ماشینی با آموزش دیدن روی داده‌های موجود، قادر به شناسایی الگوهایی هستند که از دید انسان پنهان می‌مانند. این مدل‌ها پس از آموزش می‌توانند توابع موج یا فشار سیالات را در سیستم‌های جدید تنها در چند ثانیه تخمین بزنند؛ آن هم با دقتی نزدیک به خروجی حل‌کننده‌های سنتی.

معماری‌های جدید هوش مصنوعی به‌گونه‌ای طراحی شده‌اند که تقارن‌های فیزیکی را رعایت کنند؛ یعنی چرخش یا بازتاب سیستم بر خروجی تأثیر نگذارد. این ویژگی نه تنها سرعت مدل را بالا می‌برد بلکه اعتمادپذیری آن را نیز افزایش می‌دهد؛ چرا که اصول بنیادی مانند قوانین پایستگی را به‌طور ذاتی رعایت می‌کند.

جی و بیش از ۶۰ پژوهشگر دیگر در این بررسی، راهکارهایی مانند شبکه‌های عصبی گرافی هم‌وردا (equivariant graph neural networks) را معرفی کرده‌اند که اتم‌ها را به‌عنوان گره و پیوندهای شیمیایی را به‌عنوان یال مدل‌سازی می‌کنند. این مقاله همچنین به استفاده از مدل‌های زبانی بزرگ برای تولید خودکار کدهای شبیه‌سازی اشاره دارد؛ قابلیتی که هم‌اکنون در آزمایشگاه‌های طرح RAISE دانشگاه A&M تگزاس مورد استفاده است.

یکی از موفقیت‌های اولیه این رویکرد زمانی رقم خورد که یک شبکه عصبی گرافی توانست خروجی شبیه‌سازی نظریه تابع چگالی (DFT) را که معمولاً یک ماه زمان می‌برد، در کمتر از ۱۰ دقیقه و روی یک لپ‌تاپ تولید کند. این کاهش چشمگیر هزینه‌های محاسباتی باعث شده که حتی دانشجویان نیز بتوانند در مدت یک کلاس آزمایشگاهی عصرگاهی فضای شیمیایی را جست‌و‌جو کنند؛ بدون نیاز به رزرو زمان در خوشه‌های پردازشی.

تحولات عملی در پژوهش‌های علمی

یکی از بزرگ‌ترین جهش‌های هوش مصنوعی در علم با انتشار نسخه اولیه آلفافولد (AlphaFold) در سال ۲۰۲۱ رخ داد؛ مدلی که توانست ساختار سه‌بعدی حدود ۲۰۰ میلیون پروتئین را تنها در عرض یک سال پیش‌بینی کند. در گذشته زیست‌شناسان باید ماه‌ها منتظر تعیین ساختار بلوری پروتئین می‌ماندند، اما اکنون می‌توانند همان روز آزمایش طراحی کنند.

دانشمندان علم مواد نیز از شبکه‌های گرافی برای غربال میلیون‌ها ترکیب احتمالی الکترولیت‌های باتری استفاده می‌کنند تا تنها ترکیب‌های مناسب را برای آزمایش‌های گران‌قیمت انتخاب کنند. در نتیجه این پیشرفت‌ها، نمونه‌هایی از باتری‌های لیتیوم‌یونی در آزمایشگاه‌ها ساخته شده‌اند که بیش از ۳۰۰۰ چرخه شارژ را پشت سر می‌گذارند.

اقلیم‌شناسان نیز شبکه‌های عصبی را به مدل‌های گردش جو متصل کرده‌اند. نتیجه این کار کاهش ۴۰ درصدی در مصرف روزانه انرژی شبیه‌سازی‌ها بوده است؛ بدون اینکه دقت مسیر طوفان‌ها کاهش یابد. این صرفه‌جویی به دولت‌ها امکان می‌دهد که سناریوهای بیشتری را در مورد تغییرات اقلیمی به‌جای صرف بودجه برای پرداخت هزینه برق ابررایانه‌ها بررسی کنند.

محدودیت‌ها و چالش‌های هوش مصنوعی در علم

جی می‌گوید: «ما از هوش مصنوعی برای تسریع درک علمی و طراحی سیستم‌های مهندسی بهتر استفاده می‌کنیم.» با این حال، این چشم‌انداز نیازمند معیارهای ارزیابی دقیق، برآورد عدم قطعیت و داده‌های باز است تا دیگر پژوهشگران بتوانند نتایج را بازتولید کنند.

کمبود داده همچنان یکی از چالش‌های جدی در مرزهای علم باقی مانده است؛ از توربولانس در پلاسماهای هم‌جوشی گرفته تا فازهای مغناطیسی عناصر نادر. پژوهشگران با شبیه‌سازی داده‌های مصنوعی این کمبود را جبران می‌کنند، اما ممکن است همین کار تعصب‌های پنهانی را وارد مدل‌ها کند؛ همان‌هایی که هدف، رهایی از آنهاست.

نگرانی‌های اخلاقی نیز جدی هستند؛ چراکه همان هوش مصنوعی که فرایند کشف دارو را تسریع می‌کند، می‌تواند طراحی سموم یا پاتوژن‌ها را نیز سرعت ببخشد. گروه‌های پیشرو در این حوزه پیشنهاد داده‌اند که مولکول‌های تولیدشده توسط هوش مصنوعی به‌صورت هم‌زمان و پیش از ساخت با پایگاه‌داده تهدیدات بیولوژیکی بررسی شوند.

همکاری‌های بین‌رشته‌ای برای حل مسائل علمی

تیم جی تأکید می‌کند که هیچ آزمایشگاهی به‌تنهایی نمی‌تواند کل طیف گسترده مسائل کوانتومی، اتمی و پیوسته را پوشش دهد. خود مقاله ۵۰۰ صفحه‌ای آنها گواهی بر این است؛ مقاله‌ای که با همکاری ۱۵ دانشگاه و بیش از ۶۰ نویسنده نوشته شده است.

طرح RAISE بیش از ۸۵ عضو هیئت علمی را گرد هم آورده و دانشمندان علوم رایانه را با شیمی‌دان‌ها، زمین‌شناسان و مهندسان عمران در بستر‌هایی مانند کانال‌های اشتراکی Slack مرتبط کرده است. نشست‌های هفتگی تبادل داده باعث کاهش کارهای تکراری و شکل‌گیری طرح‌های تحقیقاتی مشترک می‌شود.

صنعت نیز در این روند فعال است؛ شرکت‌های داروسازی با ارائه داده‌های واکنش‌های شیمیایی به نسخه‌های بهبود یافته این مدل‌ها زودتر از بقیه دسترسی پیدا می‌کنند. استارت‌آپ‌ها نیز این مدل‌ها را از طریق API‌های ابری به آزمایشگاه‌های کوچک ارائه می‌دهند؛ آزمایشگاه‌هایی که بدون نیاز به خرید سرور می‌توانند شیمی کوانتومی سطح بالا را اجرا کنند.

کشف علمی با سرعت ماشین

اگر روند چهار سال گذشته ادامه پیدا کند، پژوهشگران عادی نیز به‌زودی حل‌کننده‌های مبتنی بر هوش مصنوعی را مانند نرم‌افزار اکسل به‌عنوان ابزاری روزمره روی هر دسکتاپی خواهند داشت. در آن صورت سؤال اصلی دیگر «آیا باید به هوش مصنوعی اعتماد کرد؟» نخواهد بود، بلکه «چگونه باید از وقت آزادشده استفاده کرد؟» خواهد بود.

دانشمندان جوان ممکن است صبح‌ها را صرف طرح فرضیه‌های عمیق‌تر کنند به‌جای رفع خطاهای فرترن و مهندسان باتجربه می‌توانند نمونه‌های اولیه را به‌سرعت بهبود دهند بدون آن‌که در صف خوشه‌های پردازشی منتظر بمانند. تجربه نشان داده است که هرگاه یک فناوری هزینه‌ها را به اندازه بزرگی کاهش دهد، موجی از آزمایش‌ها و پژوهش‌ها آغاز می‌شود که پیش‌تر کسی جرئت پرداختن به آنها را نداشت.

سیاست‌گذاران نیز از این روند بهره‌مند می‌شوند؛ چراکه شبیه‌سازی‌های سریع‌تر به نهادهای دولتی اجازه می‌دهد تا طرح‌های زیرساختی را در سناریوهای بیشتری از تغییرات اقلیمی یا زلزله آزمایش کنند. این موضوع به تدوین مقرراتی منجر می‌شود که به‌جای اتکا به شرایط میانگین، واقعاً از جوامع حفاظت می‌کنند.