التخطي إلى المحتوى

الذكاء الاصطناعي: تُنتج تجارب LHC (مصادم هادرون الكبير) في أكبر مختبر تسريع الجسيمات في العالم وهو مختبر الفيزياء CERN, هناك أكثر من مليون غيغابايت من البيانات كل دقيقة, حتى بعد ضغط هذا الكم الهائل من البيانات فإن البيانات التي تم جمعها في غضون ساعات قليلة هي بمثابة بيانات تبلغ قيمتها عامًا كاملًا تجمعها مواقع الشبكات الاجتماعية مثل Facebook من المستخدمين أكثر من اللازم للحفظ والدراسة, وبواسطة البشر مثلنا سيزيد حجم البيانات هذا أيضًا عدة مرات في السنوات القادمة.

الذكار الإصطناعي

بدافع من الضمير لإدارة هذه الاكتشافات بكفاءة مع مثل هذه الكميات الكبيرة من البيانات المذهلة، جلب علماء الفيزياء الذين يعملون على مسرعات الجسيمات مثل مصادم هادرون الكبير (LHC), خبراء في الذكاء الاصطناعي لمعالجة طوفان بيانات LHC, الذكاء الاصطناعي (AI) هو مجموعة من البرامج المصممة بشكل خاص والتي تحاكي الطريقة التي يتعلم بها البشر ويحلوا المشاكل المعقدة, تتعلم الآلات التي تدير برامج الذكاء الاصطناعى أنشطة مثل التعرف على الكلام والتخطيط وحل المشكلات والإدراك والتخطيط بأنفسهم, ويمكن أن تعمل بكفاءة دون أن تضيع في متاهة البيانات.

سيشمل الجيل التالي من تجارب مصادمات الجسيمات بعضًا من أكثر آلات التفكير ذكاءً في العالم إذا كانت الروابط بين علماء فيزياء الجسيمات والباحثين في الذكاء الاصطناعي تنطلق بسلاسة, وهذه الآلات يمكن أن تجعل إكتشافات لا تُصدَق مع ما يقرب من الصفر المدخلات البشرية.

منظمة العفو الدولية في هيغز بوسون ديسكفري

فيزياء الجسيمات والذكاء الاصطناعي ليسوا غرباء, كما يعد ATLAS و CMS من تجربتي LHC الشائعة التي مهدت الطريق لإكتشاف Higgs Boson, وقبل بضع سنوات تمكنوا من القيام بذلك بفضل تقنية التعلم الآلي, وهو شكل من أشكال الذكاء الاصطناعي الذي يدرب الخوارزميات على التعرف على الأنماط في البيانات واستخلاص استنتاجات ذات مغزى من تلك الأنماط, حيث تم تحضير خوارزميات الذكاء الاصطناعي بإستخدام عمليات محاكاة للحطام الناتج عن تصادم الجسيمات, وتعلّموا أن يكتشفوا بدقة الأنماط المتعلمة من تحلل جسيمات هيغز النادرة بين الآلاف من أجزاء البيانات غير المهمة الأخرى.

بوزون هيغز

التعلم عميق

إن التطورات الحديثة في مجال الذكاء الاصطناعي والتي تُسمى غالبًا “التعلم العميق” تعد بأخذ تطبيقات في معجل الجسيمات إلى أبعد من ذلك, يستخدم التعلم العميق هياكل مستوحاة بشكل كبير من الدماغ البشري, وتتألف من مجموعة من الوحدات (أي ما يعادل الخلايا العصبية في الدماغ), تجمع كل وحدة مجموعة من قيم المدخلات لإنشاء قيمة إخراج, والتي بدورها يتم تمريرها إلى خلايا عصبية أخرى في الطبقة العميقة من الشبكة, أي بمعنى آخر يشير التعلم العميق إلى استخدام الشبكات العصبية مثل برامج الكمبيوتر ذات هيكل مستوحى من شبكة كثيفة من الخلايا العصبية في الدماغ البشري.

التعلّم العميق

يتم تدريب خوارزميات الذكاء الاصطناعي البدائي بإستخدام بيانات نموذجية مثل الصور, ويتم إخبارها (بإرشادات) بما تعرضه كل صورة, فعلى سبيل المثال منزل مقابل كلب, ومع ذلك فإن خوارزميات “التعلم العميق” المتقدمة مثل تلك المستخدمة من قبل عمالقة التكنولوجيا مثل Google (مساعد Google) و Apple (Siri) في أنظمة التعرف على الصوت الخاصة بهم, لا تتلقى عادة أي إشراف من هذا القبيل ويجب أن تجد طرقها الخاصة لتصنيف البيانات في الحقول المعنية.

صوتيات جوجل

كان نجاح التعلم العميق حتى وقت قريب محدود, لأن تدريب برنامج الذكاء الاصطناعي على الإشراف على الإستخدامات اللاحقة كان أمرًا صعبًا, أيضًا في وقت سابق كانت الشبكات العصبية المستخدمة للتعلم العميق مجرد طبقتين عميقتين, ولكن بفضل التطورات الحديثة في التعلم الآلي والشبكات العصبية أصبح من الممكن الآن إنشاء وتدريب شبكات عمقها الآلاف من الطبقات, يستخدم Deep Nutrino Experiment (DUNE) وهو مشروع دولي للعلم الضخم خوارزميات التعليم العميق المعقدة هذه لدراسة علوم النيوترينو وتسوس البروتون.

رؤية الكمبيوتر

أصبحت خوارزميات الذكاء الاصطناعي مضبوطة أكثر وأكثر كل يوم, مما يفتح فرصًا رائعة لحل المشكلات المتعلقة بفيزياء الجسيمات., وتحتوي العديد من المهام الجديدة التي تستخدمها برامج الذكاء الاصطناعي على تطبيقاتها في رؤية الكمبيوتر, حيث تتعامل رؤية الكمبيوتر مع الإستخلاص والتحليل والكشف التلقائي للمعلومات ذات الصلة من الصور المستقلة أو سلسلة من الصور, يشبه التعرف على الوجه الذي تأتي به معظم هواتف الكاميرا الراقية هذه الأيام بإستثناء أنه في فيزياء الجسيمات, تكون ميزات الصورة أكثر تجريدًا من ميزات الوجه البسيطة مثل عينيك أو أذنيك أو أنفك.

بعض تجارب النيوترينو المشهورة مثل نوفا وميكروبون تنتج بيانات يمكن ترجمتها بسهولة إلى صور حقيقية, كما يمكن إستخدام خوارزميات رؤية الكمبيوتر بسهولة لتمييز الميزات في مثل هذه السيناريوهات.

ومع ذلك, في تجارب مسرّع الجسيمات يجب أولاً إعادة إنشاء الصور من مجموعة غير متجانسة من البيانات التي يتم إنشاؤها بواسطة ملايين عناصر المستشعر, حتى إذا كانت البيانات لا تشبه الصور فلا يزال بإمكان الفيزيائيين إستخدام برامج رؤية الكمبيوتر إذا قاموا بمعالجة البيانات بالطريقة الصحيحة وفقًا لما يقوله ألكسندر رادوفيتش باحث التعلم الآلي.

تتمثل إحدى المجالات التي يمكن أن يتبعها هذا النهج في تحقيق نتائج رائعة في تحليل نفاثات الجسيمات التي يتم إنتاجها بأعداد كبيرة خلال تجارب مسرّع الجسيمات كتجارب LHC, نفاثات الجسيمات عبارة عن رواسب ضيقة من الجزيئات التي يصعب اكتشاف مساراتها الفردية, يمكن أن تساعد خوارزميات رؤية الكمبيوتر في تحديد الميزات في الطائرات.

يستخدم علماء الفيزياء اليوم في المقام الأول “الذكاء الاصطناعي” لإيجاد ميزات في مجموعة كبيرة من البيانات الناتجة من تجارب تسريع الجسيمات التي يمكن أن تساعدنا في الإجابة على أكبر الأسئلة المتعلقة بفيزياء الجسيمات بعد عشر سنوات من الآن, قد تتمكن خوارزميات الذكاء الاصطناعي من طرح الأسئلة الخاصة بها بشكل مستقل وإخطار الباحثين عندما يكتشفون اكتشافات جديدة رائدة في الفيزياء!

المصدر: science abc

التعليقات

اترك تعليقاً

لن يتم نشر عنوان بريدك الإلكتروني. الحقول الإلزامية مشار إليها بـ *