هوش مصنوعی "مساله سه-جرم" را در کمتر از یک ثانیه حل کرد

* "مساله‌ی سه-جرم" از زمان نیوتن تاکنون دانشمندان را سردرگم کرده بود، ولی اینک هوش مصنوعی در کمتر از یک ثانیه راه حل آن را پیدا کرده است.

محاسبه‌های بسیار پیچیده‌ای که برای پیش‌بینی چگونگیِ گردش سه جرم فضایی به گرد یکدیگر نیاز بود از زمان فرمولبندی آن توسط سِر ایزاک نیوتن تاکنون فیزیکدانان را گیج و سردرگم کرده بوده. اکنون هوش مصنوعی (ای.آی) نشان داده که می‌تواند آن را در کسری از زمانی که در روش‌های دیگر نیاز بود حل کند.

نخستین بار نیوتن در سده‌ی ۱۷ میلادی این مساله را فرمولبندی کرد، ولی یافتن یک راه ساده برای حل آن بی‌اندازه دشوار از آب در آمده. برهم‌کنش‌های گرانشی میان سه جرم فضایی مانند سیاره‌ها، ستارگان، و ماه‌ها به پیدایش سامانه‌ای آشوبناک می‌انجامد- سامانه‌ای که پیچیده است و بستگی بسیار حساسی به جایگاه آغازین هر جرم دارد.

در روش‌های کنونیِ حل این مسایل از نرم‌افزارهایی بهره گرفته می‌شود که شاید هفته‌ها یا حتی ماه‌ها زمان صرف کامل کردن محاسبه‌ها می‌کنند. از همین رو پژوهشگران بر آن شدند تا ببینند آیا یک شبکه‌ی عصبی –یک گونه هوش مصنوعیِ بازشناخت الگو که کارکرد مغز را تا اندازه‌ای تقلید می‌کند- می‌تواند آن را بهتر حل کند یا نه.

الگوریتمی که آنها ساختند راه حل‌های دقیقی که تا ۱۰۰ میلیون بار سریع‌تر از پیشرفته‌ترین برنامه‌ی نرم‌افزاری –برنامه‌ای به نام بروتوس (Brutus)- بود برایشان فراهم کرد. کریس فولی، یک زیست‌آمارگر در دانشگاه کمبریج و از نویسندگان این پژوهش می‌گوید این می‌تواند برای اخترشناسانی که در تلاش برای شناخت چیزهایی مانند رفتار خوشه‌های ستاره‌ای و دگرگونی‌های گسترده‌ترِ کیهان هستند ارزشی بی‌اندازه داشته باشد.

وی به لایوساینس گفت: «این شبکه‌ی عصبی، اگر کارش خوب باشد، باید بتواند راه‌حل‌هایی را در یک چارچوب زمانی بی‌سابقه برای ما فراهم کند. در این صورت می‌توانیم اندیشیدن درباره‌ی پیشرفت در پرسش‌های بسیار ژرف‌تر را آغاز کنیم، پرسش‌هایی مانند چگونگی پیدایش امواج گرانشی.»

شبکه‌های عصبی باید پیش از آن که بتوانند پیش‌بینی‌هایی انجام دهند، با گرفتن داده‌هایی آموزش داده شوند. بنابراین پژوهشگران ناچار شدند با بهره از نرم‌افزار بروتوس، ۹۹۰۰ سناریوی ساده شده‌ی سه-جرم را تولید کنند؛ بروتوس اصلی‌ترین نرم‌افزار کنونی برای حل مساله‌های سه-جرم است.

آنها سپس ۵۵۰۰ سناریوی نادیده را به شبکه‌ی عصبی داده و میزان توانایی‌اش در پیش‌بینی دگرگونی‌های این سناریوها را آزمودند، و نتایج آن را بسیار نزدیک به نتایج بروتوس دیدند.

به گفته‌ی فولی، دلیل کُند بودن برنامه‌هایی مانند بروتوس اینست که آنها مساله را با جستجوی فراگیر (جستجوی غیرهوشمندانه، brute force) حل می‌کنند، و در آن، برای هر گام کوچکی از مسیرِ اجرام فضایی محاسبه‌هایی را انجام می‌دهند. ولی شبکه‌ی عصبی تنها حرکت‌هایی را که آن محاسبه‌ها تولید می‌کنند نگاه کرده و الگویی را استنباط می‌کند که می‌تواند چگونگی انجام کامل سناریوهای آینده را پیش‌بینی کند.

با این وجود به گفته‌ی فولی، این مشکلی را برای پیمایشِ (مقیاس‌گذاریِ) سامانه نمایان می‌دهد. الگوریتم کنونی یک اثبات مفهوم است و یادگیری‌اش از راه سناریوهای ساده‌شده انجام گرفته، ولی برای آموزش آن با سناریوهای پیچیده‌تر یا حتی افزودنِ شمارِ اجرام به چهار یا پنج تا، نخست باید داده‌هایی را برای بروتوس تولید کنید، کاری که می‌تواند بی‌اندازه زمان‌بر و پرخرج باشد.

وی می‌گوید: «میان توانایی ما در "آموزش یک شبکه‌ی عصبی با کارکرد شگفت‌اگیز فراعادی" و توانایی ما در "نتیجه گرفتنِ عملیِ داده‌هایی که شبکه را با آن آموزش می‌دهیم" یک برهم‌کنش وجود دارد.»«بنابراین یک تنگراه (bottleneck) در اینجا داریم.»

یک راه حلِ این مشکل برای پژوهشگران این خواهد بود که یک مخزن از داده‌هایی که با بهره از برنامه‌هایی مانند بروتوس تولید شده پدید بیاورند. ولی به گفته‌ی فولی، نخستین چیزی که نیاز خواهد بود پدید آوردن پروتکل‌های استانداردی‌ست تا اطمینان بیابیم که همه‌ی داده‌ها از یک استاندارد و قالب استوار و ثابت برخوردارند.

فولی می‌گوید هنوز هم چند موضوع هم برای حل مساله به کمک شبکه‌ی عصبی وجود دارد. می‌تواند برای یک مدت زمان معین اجرا شود، ولی نمی‌شود پیشاپیش از این که یک سناریوی خاص برای کامل شدن چقدر زمان می‌برد آگاه بود، بنابراین امکانش هست که الگوریتم پیش از حل شدن مساله از کارایی بیفتد.

فولی می‌گوید با این وجود، پژوهشگران انتظار ندارند شبکه‌ی عصبی به تنهایی کار کند. به گمان آنها بهترین راه حل برای برنامه‌ای مانند بروتوس خواهد بود که بیشترِ کار را انجام دهد و شبکه‌ی عصبی تنها بخش‌هایی از شبیه‌سازی را انجام دهد که دربردارنده‌ی محاسبه‌های پیچیده‌تری‌ست که باعث کند شدن و از کار افتادن نرم‌افزار می‌شوند.

فولی می‌گوید: «با پدید آوردن این پیوند، هر گاه بروتوس گیر کنَد به سراغ شبکه‌ی عصبی می‌رویم و کار را جلو می‌بریم. و سپس ارزیابی می‌کنید که بروتوس گیر نکرده باشد.»

--------------------------------------------

تلگرام و توییتر یک ستاره در هفت آسمان:

telegram.me/onestar_in_sevenskies

twitter.com/1star_7sky

واژه‌نامه:
 three-body problem - Sir Isaac Newton - artificial intelligence - A.I. - planet - star - moon - neural network - pattern recognition - Brutus - star cluster - Chris Foley - biostatistician - University of Cambridge - brute force - proof-of-concept - arXiv - gravitational wave

منبع: livescience

برگردان: یک ستاره در هفت آسمان