یک اخترفیزیک‌دان چگونه برای شبیه‌سازی سیاه‌چاله‌ها از Codex کمک می‌گیرد
Codex به چی‌کوان چان کمک می‌کند الگوریتم‌های شبیه‌سازی حرکت الکترون‌ها و یون‌ها در اطراف سیاه‌چاله را بهبود دهد و بیازماید.
گرانش اطراف سیاه‌چاله چنان شدید است که هیچ‌چیز، حتی نور، اگر به‌اندازهٔ کافی به آن نزدیک شود، نمی‌تواند بگریزد. اخترفیزیک‌دانانی مانند چی‌کوان چان، سیاه‌چاله‌ها را با شبیه‌سازی‌های رایانه‌ای و رصد مطالعه می‌کنند. اما الگوریتم‌ها و توان محاسباتی کنونی، میزان انطباق این شبیه‌سازی‌ها با واقعیت را محدود می‌کنند.
چان، پژوهشگر دانشگاه آریزونا و رصدخانهٔ استوارد، با کمک Codex در پی حل این مشکل است.
به گفتهٔ او، سیاه‌چاله‌ها از بهترین مکان‌ها برای آزمودن نظریهٔ نسبیت عام اینشتین هستند. این نظریه در حال حاضر بهترین توضیح ما برای گرانش است: گرانش نه نیرویی که اجسام را به‌سوی هم می‌کشد، بلکه حاصل خمیده‌شدن بافت فضا و زمان بر اثر جرم و انرژی است.
چان عضو گروه همکاری بین‌المللی تلسکوپ افق رویداد (EHT) است که در سال ۲۰۱۹ نخستین تصویر یک سیاه‌چاله را منتشر کرد. این گروه اکنون مشغول گردآوری داده‌های رصدی برای تهیهٔ نخستین ویدئو از یک سیاه‌چالهٔ کلان‌جرم است و بر سیاه‌چالهٔ مرکز کهکشان M87 تمرکز دارد.
اما تبدیل داده‌های رصدی به درک علمی، نیازمند پردازش حجم عظیمی از داده‌ها، فرایندهای محاسباتی در مقیاس بزرگ و شبیه‌سازی‌هایی است که بتوانند برخی از حادترین شرایط فیزیکی جهان را مدل‌سازی کنند.
از آنجا که نور نمی‌تواند از سیاه‌چاله بگریزد، دانشمندان به‌جای آن ناحیهٔ پیرامونش موسوم به افق رویداد را مطالعه می‌کنند؛ مرزی که ماده پس از عبور از آن دیگر نمی‌تواند فرار کند. چان می‌گوید: «این سطحی است که عبور از آن بازگشتی ندارد.» ماده‌ای که درست بیرون این مرز می‌چرخد، نوری گسیل می‌کند که اخترفیزیک‌دانان می‌توانند آن را ببینند، اندازه‌گیری و شبیه‌سازی کنند.
تصویری که EHT در سال ۲۰۱۹ منتشر کرد، سایهٔ یک سیاه‌چاله را در میان پلاسمای درخشان نزدیک افق رویداد نشان می‌داد. چان در توسعهٔ ابزارهای شبیه‌سازی و محاسباتی که گروه برای تفسیر داده‌های رصدی به کار برد، مشارکت داشت. از آن زمان، چان و همکارانش هم‌زمان با حرکت گروه از تصاویر ثابت به‌سوی ویدئو، به بهبود ابزارها و توانایی‌های رصدی خود ادامه داده‌اند.
ویدئویی کوتاه، حاصل شبیه‌سازی با ابررایانه، که حرکت پلاسما را در اطراف سیاه‌چالهٔ مرکز کهکشان راه شیری نشان می‌دهد.
منبع: کارگروه نظری تلسکوپ افق رویداد (EHT) / سی‌کی چان
حل چالش حرکت مارپیچی
یکی از بزرگ‌ترین موانع پیش روی چان و گروهش، مدل‌سازی پلاسمای اطراف سیاه‌چاله‌هاست. پلاسما ماده‌ای بسیار داغ است که از الکترون‌ها و یون‌های دارای بار الکتریکی تشکیل شده است.
در بسیاری از شبیه‌سازی‌ها، دانشمندان برای ساده‌سازی، پلاسما را مانند یک سیال در نظر می‌گیرند و با معادلات شناخته‌شده، حرکت آن را در اطراف سیاه‌چاله مدل‌سازی می‌کنند. این روش در پلاسمای چگال‌تر، که الکترون‌ها و یون‌ها پیوسته با یکدیگر برخورد می‌کنند، عملکرد نسبتاً خوبی دارد.
اما در نزدیکی سیاه‌چاله‌های کلان‌جرمی که چان و همکارانش مطالعه می‌کنند، برخی نواحی چنان داغ و کم‌چگال می‌شوند که ذرات به‌ندرت به یکدیگر می‌رسند. او می‌گوید: «در عمل، این ذرات با هم برخورد نمی‌کنند.» در عوض، ذرات عمدتاً به‌شکل مارپیچی دور خطوط میدان مغناطیسی حرکت می‌کنند.
برای مدل‌سازی درست این رفتار، پژوهشگران باید حرکت تریلیون‌ها الکترون و یون را دنبال کنند که با سرعت در مسیرهای مارپیچی پیرامون سیاه‌چاله می‌چرخند. شبیه‌سازی‌های متداول باید تک‌تک چرخش‌های کوچک را محاسبه کنند و این، رایانه‌ها را وادار می‌کند با گام‌های زمانی بسیار کوچک پیش بروند.
در نتیجه، حتی سریع‌ترین ابررایانه‌های جهان ممکن است بیشتر وقت خود را صرف محاسبهٔ این حرکت‌های بسیار ریز ذرات کنند، نه شبیه‌سازی رفتار در مقیاس بزرگ‌تری که دانشمندان واقعاً می‌خواهند مطالعه کنند.
چان می‌گوید: «دهه‌هاست که این مسئله مانع شبیه‌سازی واقع‌گرایانه‌تر پلاسمای سیاه‌چاله‌ها شده است.»
استفاده از هوش مصنوعی برای ساخت همزادی دیجیتال و دقیق‌تر
چان گمان می‌کرد که روش‌های ریاضی جدید می‌توانند به عبور از برخی از این محدودیت‌ها کمک کنند. ایدهٔ اصلی این بود که شیوهٔ دنبال‌کردن حرکت ذرات در شبیه‌سازی از نظر ریاضی تغییر کند، تا رایانه دیگر مجبور نباشد تک‌تک چرخش‌های مارپیچی کوچک را مستقیماً دنبال کند.
چان می‌گوید: «اما بررسی دستی همهٔ گزینه‌های ریاضی، زمان بسیار زیادی می‌برد.» بنابراین به Codex روی آورد تا برای استخراج الگوریتم‌های پیشنهادی و آزمودن آن‌ها در برابر جواب‌های شناخته‌شده از آن کمک بگیرد.
Codex رویکردهای احتمالی بسیاری ارائه کرد که همهٔ آن‌ها درست نبودند. چان می‌گوید: «اما اشکالی ندارد.» «بیشتر ایده‌های علمی به نتیجه نمی‌رسند. آنچه اهمیت دارد این است که این الگوریتم‌ها را می‌توان آزمود. وقتی الگوریتمی پیدا کنید که کار کند، ممکن است راه را برای شبیه‌سازی‌هایی باز کند که پیش‌تر ناممکن بودند.»
برخی سامانه‌های هوش مصنوعی می‌توانند نتایج را بدون نشان‌دادن مراحلی که برای رسیدن به آن‌ها طی کرده‌اند، ارائه کنند. اما گروه چان از Codex برای پیشنهاد و پیاده‌سازی روش‌های عددی استفاده می‌کند که بتوانند آن‌ها را بررسی و آزمایش کنند و از نظر فیزیکی بفهمند.
مدل‌های زبانی بزرگ هنوز اشتباه می‌کنند و بسیاری از دانشمندان همچنان در استفاده از هوش مصنوعی در پژوهش محتاط‌اند. اما چان معتقد است که علم می‌تواند یکی از بهترین کاربردهای سامانه‌های هوش مصنوعی امروزی باشد، دقیقاً به این دلیل که ایده‌های علمی را می‌توان با دقت و سخت‌گیری آزمود.
او می‌گوید: «ما ایده‌ای را صرفاً به این دلیل نمی‌پذیریم که از اینشتین، یک دانشجوی باهوش یا یک مدل هوش مصنوعی آمده است.» «تنها پس از آزمون‌های مکرر آن را می‌پذیریم.»
چان هوش مصنوعی را ابزاری می‌داند که می‌تواند به پژوهشگران کمک کند ایده‌های بیشتری را بررسی کنند، آن‌ها را سریع‌تر بیازمایند و به کشف‌های علمی سرعت ببخشند، بی‌آنکه از اصول راستی‌آزمایی و تکرارپذیری فاصله بگیرند.
اگر رویکردهایی که چان با Codex می‌آزماید موفق باشند، الگوریتم‌های جدید ممکن است در نهایت به دانشمندان امکان دهند تریلیون‌ها ذره را در اطراف سیاه‌چاله‌ها شبیه‌سازی کنند. این کار به پژوهشگران امکان می‌دهد پدیده‌های فیزیکی‌ای را مطالعه کنند که دهه‌ها از دسترس آن‌ها دور بوده‌اند.
- ۲۰۲۶
