GPT‑5.2 به نتیجهای تازه در فیزیک نظری دست مییابد
در یک نسخهٔ پیشانتشار، GPT‑5.2 فرمولی برای دامنه گلئون پیشنهاد کرد که بعداً توسط مدل داخلی OpenAI اثبات و توسط نویسندگان تأیید شد.
ما یک نسخهٔ پیشانتشار جدید منتشر کردهایم که نشان میدهد نوعی از برهمکنش ذرات که بسیاری از فیزیکدانان انتظار داشتند رخ ندهد، در واقع میتواند تحت شرایط خاصی پدید آید. این پژوهش بر گلوئونها تمرکز دارد، ذراتی که نیروی هستهایِ قوی را حمل میکنند. نسخهٔ پیشانتشار(در یک پنجره جدید باز میشود) در arXiv در دسترس است و برای انتشار ارسال شده است. در این فاصله، از بازخورد جامعهٔ علمی استقبال میکنیم.
نسخهٔ پیشانتشاری با عنوان «Single-minus gluon tree amplitudes are nonzero،» توسط Alfredo Guevara (Institute for Advanced Study)، Alex Lupsasca (Vanderbilt University and OpenAI)، David Skinner (University of Cambridge)، و Andrew Strominger (Harvard University)، و Kevin Weil (OpenAI) از طرف OpenAI تألیف شده است.
نسخهٔ پیشانتشار به بررسی مفهومی بنیادی در فیزیک ذرات به نام دامنهٔ پراکندگی میپردازد. دامنهٔ پراکندگی کمیتی است که فیزیکدانان از آن برای محاسبهٔ احتمالِ برهمکنش ذرات به شیوهای خاص استفاده میکنند. برای گلوئونها، ذراتی که نیروی هستهایِ قوی را حمل میکنند، بسیاری از دامنهها در «مرتبهٔ درخت» (یعنی محاسباتی که تنها سادهترین نمودارها را بدون حلقههای کوانتومی در نظر میگیرند) شکلهایی بهطور غیرمنتظره ساده به خود میگیرند. این سادهسازیها بارها ساختار عمیقتری را در نظریه میدان کوانتومی آشکار کردهاند، چارچوبی که توصیفی از فیزیک ارائه میدهد و نسبیت خاص را با مکانیک کوانتومی یکپارچه میکند.
با این حال، یک مورد عموماً بهعنوان غایب (با دامنهٔ صفر) در نظر گرفته شده است. وقتی یکی از گلوئونها دارای چرخشِ مؤثرِ منفی باشد (یعنی یکی از دو جهت ممکنِ چرخش که یک ذرهٔ بیجرم میتواند داشته باشد) و گلوئون دیگر چرخشِ مؤثرِ مثبت داشته باشند، استدلالهای متعارفِ کتابهای درسی نشان میدهد که دامنهٔ متناظر در مرتبهٔ بدون حلقه باید صفر باشد. در نتیجه، این حالت تا حد زیادی کنار گذاشته شده است.
این نسخهٔ پیشانتشار نشان میدهد که این نتیجهگیری بیش از حد قاطعانه بوده است. استدلال متعارف فرض میکند که تکانههای ذرات حالت عام دارند؛ یعنی جهتها و انرژیها در هیچ همراستایی ویژهای قرار نگرفتهاند. ما یک بخش مشخص و دقیقاً تعریفشده از فضای تکانه را شناسایی میکنیم که در آن استدلال دیگر کاربرد ندارد و بهعنوان رژیم نیمههمخط شناخته میشود. در اینجا نیمههمخط به این معناست که تکانههای گلوئونها از یک شرط همراستاییِ ویژه پیروی میکنند که معمول نیست، اما از نظر ریاضی بهخوبی تعریفشده و سازگار است. در این بخش، دامنه صفر نمیشود و آن را در یک رژیم سینماتیکی خاص محاسبه میکنیم. این نتیجه راه را به روی پرسشهای تازهٔ بسیاری میگشاید که موضوع پژوهشهای بعدی خواهند بود. از جمله گسترشهای مهم میتوان به محاسبهٔ دامنههای متناظر برای گراویتونها (ذراتی که نیروی گرانشی را منتقل میکنند) اشاره کرد.
یکی از جنبههای محوری این کار به روششناسی مربوط میشود. فرمول نهایی، یعنی معادلهٔ (39) در این نسخهٔ پیشانتشار، نخستین بار توسط GPT‑Pro 5.2 دس زده شد. نویسندگان انسانی دامنهها را برای صحیح تا بهصورت دستی محاسبه کردند و عبارتهای بسیار پیچیدهای را که در معادلات نشان داده شدهاند، بهدست آوردند. (29) تا (32)، که متناظر با «بسط نمودارهای فاینمن» هستند و پیچیدگی آنها بهصورت اَبَرنمایی با 𝑛n رشد میکند. GPT‑Pro 5.2 توانست پیچیدگی این عبارتها را بهطور چشمگیری کاهش دهد و شکلهای بسیار سادهتری را در معادلات ارائه دهد (35)--(38). از این موارد پایه، سپس توانست الگویی را تشخیص دهد و فرمولی معتبر برای همه پیشنهاد کند.
سپس یک نسخه داخلیِ اسکفولدشده از GPT‑5.2 حدود 12 ساعت را صرف استدلال دربارهٔ مسئله کرد، به همان فرمول رسید و یک برهان رسمی از اعتبار آن ارائه داد. سپس این معادله بهصورت تحلیلی تأیید شد تا رابطهٔ بازگشتی Berends-Giele حل شود، که یک روش استاندارد و گام به گام برای ساخت دامنههای درختی چندذرهای از بلوکهای سازندهٔ کوچکتر است. همچنین این معادله در برابر قضیهٔ حدِ انرژیِ پایین نیز بررسی شد، قضیهای که رفتار دامنهها را هنگامی که انرژی یکی از ذرات به صفر میل میکند، محدود میکند.
با کمک GPT‑5.2، این دامنهها پیشتر از گلوئونها به گراویتونها تعمیم داده شدهاند، و تعمیمهای دیگری نیز در راه است. این نتایج به کمک AI، و بسیاری دیگر، در جای دیگری گزارش خواهند شد.
«فیزیکِ این فرایندهای پراکندگیِ بهشدت تباهیده از حدود پانزده سال پیش، از زمانی که نخستین بار با آنها روبهرو شدم، برایم پرسشبرانگیز بوده است؛ بنابراین دیدن روابطِ بهطرز چشمگیری ساده در این مقاله واقعاً هیجانانگیز است.
در این شاخه از فیزیک، اغلب پیش میآید که روابط مربوط به برخی کمیتهای فیزیکی که با روشهای متداول کتابهای درسی محاسبه شدهاند، بسیار پیچیده به نظر میرسند، اما در نهایت معلوم میشود که بسیار سادهاند. این موضوع اهمیت دارد، زیرا اغلب فرمولهای ساده ما را در مسیر کشف و درک ساختارهای عمیق و نوین قرار میدهند و جهانهای تازهای از ایدهها را میگشایند؛ جایی که، در میان امور دیگر، سادگیِ مشاهدهشده در نقطهٔ آغاز، آشکار و بدیهی میشود.
برای من، «یافتن یک فرمول ساده» همیشه کاری ظریف و پرزحمت بوده است، و در عین حال از مدتها پیش احساس میکردم شاید بتوان آن را به رایانهها سپرد و خودکار کرد. به نظر میرسد که در حوزههای گوناگون، کمکم شاهد وقوع این اتفاق هستیم؛ نمونهای که در این مقاله مطرح شده، بهطور ویژه برای بهرهگیری از توان ابزارهای نوین AI مناسب به نظر میرسد. مشتاقم که در آیندهٔ نزدیک، ادامهٔ این روند را به سوی شکلگیری یک ابزار عمومی برای «شناسایی الگوهای فرمولهای ساده» ببینم.
—Nima Arkani-Hamed، استاد فیزیک در مؤسسهٔ مطالعات پیشرفته، متخصص در فیزیک نظریِ انرژیهای بالا
«هماکنون در حال اندیشیدن به پیامدهای این نسخهٔ پیشانتشار برای برخی جنبههای برنامهٔ پژوهشی گروه خود هستم. این پژوهش بهروشنی در سطح مجلات علمی معتبر قرار دارد و فیزیک نظریِ پیشرو را پیش میبرد، و نوآوری آن الهامبخش پیشرفتهای آینده و انتشار مقالات بعدی خواهد بود. «این نسخهٔ پیشانتشار برایم همچون نگاهی کوتاه به آیندهٔ علمِ یاریگرفته از هوش مصنوعی بود؛ جایی که فیزیکدانان دستدردستِ هوش مصنوعی به تولید و اعتبارسنجیِ بینشهای تازه میپردازند. تردیدی نیست که گفتوگو میان فیزیکدانان و مدلهای زبانی بزرگ میتواند دانش بنیادی جدیدی پدید آورد. "با ترکیب GPT‑5.2 با کارشناسان انسانی در حوزههای مربوطه، این مقاله الگویی برای اعتبارسنجی بینشهای مبتنی بر الگوهای زبانی بزرگ LLM ارائه میدهد و انتظارات ما از یک تحقیق علمی دقیق را برآورده میسازد.»
— Nathaniel Craig، استاد فیزیک در دانشگاه کالیفرنیا، Santa Barbara (UCSB)، متخصص در فیزیک انرژیهای بالا، پدیدارشناسی ذرات و کیهانشناسی


