هوش مصنوعی، معماهای قرن گذشته فیزیک را گشوده است

محققین دانشگاه نیومکزیکو و آزمایشگاه ملی لس آلاموس موفق به طراحی یک چارچوب محاسباتی نوین شده‌اند که تحت عنوان «شبکه‌های تانسور برای بازنمایی اشیای چندبعدی» موسوم به «تور» شناخته می‌شود و این نوآوری، گامی ارزشمند در راستای حل یکی از مسائل دیرینه در زمینه فیزیک آماری به شمار می‌آید.
 
بر اساس گزارش ایتنا و به نقل از سایت سای‌تک‌دیلی، این سیستم با استفاده از الگوریتم‌های مبتنی بر شبکه‌های تانسور، قادر به حل معادلات پیچیده مربوط به انتگرال‌های پیکربندی و معادلات دیفرانسیل جزئی است و این کار را از طریق فشرده‌سازی و تحلیل بهینه داده‌ها انجام می‌دهد. این معادلات برای فهم رفتار مواد در شرایط متفاوت حرارتی و مکانیکی بسیار حیاتی هستند.
 
به گفته منابع، چارچوب مذکور با ترکیب قابلیت‌های شبکه‌های تانسور و پتانسیل‌های یادگیری ماشین که می‌توانند نیروهای بین‌اتمی و حرکات اتم‌ها را مدل‌سازی کنند، شبیه‌سازی‌های دقیقی از مواد در دامنه گسترده‌ای از شرایط فیزیکی فراهم می‌کند.
 
بویان الکساندروف، پژوهشگر ارشد حوزه هوش مصنوعی در لس آلاموس و سرپرست این طرح، بیان کرد: «انتگرال پیکربندی، که به توصیف تعاملات ذرات می‌پردازد، به ویژه در علم مواد تحت فشارهای شدید یا در نقاط گذار فازی، یکی از چالش‌های بزرگ و زمان‌بر محسوب می‌شود.»

 
او همچنین اضافه کرد: «تعیین دقیق رفتار گرمایی مواد، به‌طور عمده بر درک ما از مکانیک آماری تأثیر می‌گذارد و در زمینه‌هایی همچون متالورژی کارآمد است.»
 
لازم به ذکر است که متدهای سنتی شامل شبیه‌سازی‌های دینامیک مولکولی و روش‌های مونت‌کارلو برای برآورد انتگرال پیکربندی مورد استفاده قرار می‌گرفتند، اما این متدها به خاطر «نفرین ابعادی» (که به معنای افزایش نمایی پیچیدگی محاسباتی با افزودن هر متغیر است) با چالش‌های قابل توجهی روبرو بودند.

حتی سریع‌ترین سوپرکامپیوترهای جهان نیز برای انجام این محاسبات به هفته‌ها زمان نیاز داشتند و نتایج تولید شده محدود بود.
 
باید افزود که چارچوب تور این مسئله چندبعدی را با استفاده از تکنیک ریاضی «تفکیک متقاطع قطار تانسور» به یک مسأله قابل حل تبدیل می‌کند.
 
این روش، داده‌های چندبعدی را به زنجیره‌ای از اجزای کوچک و متصل تقسیم کرده و با شناسایی تقارن‌های بلوری کلیدی، امکان محاسبه انتگرال پیکربندی را در چند ثانیه فراهم می‌سازد.