phpXdh2AO

<h1 class="ql-direction-rtl ql-align-center">علماء يستخدمون الذكاء الاصطناعي والتعلم الآلي لفهم فيزياء الجسيمات</h1> في عالم فيزياء الجسيمات، يسعى العلماء لكشف أسرار الكون. للذكاء الاصطناعي والتعلم الآلي دور متزايد الأهمية في تعميق الفهم لأساسيات مكونات المادة. من الركائز الأساسية في هذا المجال ما يُعرف بدوال توزيع البارتونات، وهي نماذج رياضية معقدة، ضرورية للتنبؤ بنتائج تجارب علم فيزياء الطاقة العالية التي تختبر النموذج القياسي لفيزياء الجسيمات. دوال توزيع البارتونات نماذج رياضية تساعد العلماء على فهم البنية الداخلية للبروتونات، وهي الجسيمات الموجودة في نواة الذرة، المكونة بدورها من جسيمات أصغر تُعرف بالكواركات والغلونات، ويُطلق عليها معًا اسم البارتونات. تحدد دوال التوزيع كيفية توزيع تلك البارتونات داخل البروتون، أي إنها تقدم خريطة لاحتمالية وجود هذه الجسيمات ومقدار الزخم الذي تحمله. يمكّن ذلك العلماء من توقع نتائج تجارب علم فيزياء الطاقة العالية، مثل تلك التي تُجرى في مصادم الهادرونات الكبير، حيث تتصادم البروتونات لاكتشاف القوى والجسيمات الأساسية. لكن تصميم هذه النماذج صعب للغاية بسبب تعقيدها وقلة البيانات التجريبية المتاحة، ما يبرز دور الذكاء الاصطناعي والتعلم الآلي، إذ يقدمان طرقًا جديدة لتحليل البيانات المعقدة التي تُجمع من منشآت تسريع التصادمات. في مختبر أرجون التابع لوزارة الطاقة الأمريكية، يقود علماء الفيزياء النظرية تيم هوبز وبراندون كريستين جهودًا رائدة لاستخدام الذكاء الاصطناعي في مواجهة تحديات تصميم دوال التوزيع، بهدف تحسين دقتها وسهولة تفسير نتائج نماذج التعلم الآلي المستخدمة، هذا يعني أن العلماء يمكنهم بسهولة أكبر تحديد الأنماط والعلاقات ضمن هذه النماذج، ما يؤدي إلى استخلاص نتائج موثوقة. «تتعامل فيزياء الجسيمات مع الجسيمات الأولية أو الأساسية، ينصب التركيز الحالي على البحث عن ثغرات في النموذج القياسي الذي اكتمل في سبعينيات القرن الماضي، الذي -رغم قوته- نعلم أنه غير مكتمل، بفضل إشارات من علم الكونيات، مثل المادة المظلمة». يُعد تفكيك شفرات دوال توزيع البارتونات الجسر بين النظرية والبيانات. في دراسة حديثة نُشرت في مجلة فيزيكال ريفيو، قدّم هوبز وكريستين إطار عمل جديد يستخدم نماذج «المرمز-المفكك»، وهي نوع من الشبكات العصبية التي تبسط البيانات المعقدة إلى شكل أكثر قابلية للمعالجة، ثم تُعيد بناء البيانات الأصلية من هذا الشكل المبسط. إن إعادة بناء دوال توزيع البارتونات هو شئ حاسم، لأنها تمكن العلماء من توقع سلوك الجسيمات في تجارب فيزياء الطاقة العالية، وتُلتقط الخصائص الرئيسية لهذه الدوال بواسطة لحظات ميلين، وهي تعبيرات رياضية تلخص توزيع هذه الجسيمات. «يستخدم النموذج الذكاء الاصطناعي المولد لملء الفجوات وإعادة إنشاء الحالات الأولية». المقصود هنا المتغيرات الأولية أو التجهيزات المؤدية لها التي يجب ضبطها بدقة لتوصيف توزيع الكواركات والغلونات داخل البروتونات. «درسنا كيفية استخراج دوال التوزيع من لحظات ميلين واستكشاف جميع الحلول الممكنة المختلفة». يُحسّن هذا النهج دقة التنبؤات في علم فيزياء الجسيمات إذ يضمن توافق النماذج المعاد بناؤها مع البيانات الحقيقية، ما يجعل نماذج دوال التوزيع أدق، لا سيما في حسابات الشبكات الحاسوبية، وهي تقنية تتعمق في تعقيدات علم الكروموديناميكا الكمية، النظرية التي تصف القوة القوية التي تربط الكواركات والغلونات. بدمج بيانات لحظات ميلين، يوفر إطار تفكيك شفرة نموذج بارتنين القياسي طريقة جديدة لدمج معلومات الشبكة في دراسات دوال التوزيع، معززًا الصلة بين النماذج النظرية والنتائج التجريبية. في دراسة أخرى، كشف هوبز وكريستين عن إطار عمل آخر يستخدم تقنيات الذكاء الاصطناعي القابل للتفسير، وهي أساليب مصممة لجعل طريقة اتخاذ قرارات نماذج الذكاء الاصطناعي أوضح. يعتمد الإطار على نوع من الشبكات العصبية التي تستخدم ما يُعرف بالاختصارات لتحسين كفاءة التدريب، ما يسمح للشبكة بتجاوز بعض الطبقات، ومن ثم تسهل تدريب الشبكات العميقة دون فقدان المعلومات المهمة. يُصنف هذا الإطار دوال التوزيع وفقًا للافتراضات النظرية المتضمنة وراءها، فهو لا يحدد فقط النموذج النظري الأنسب لمجموعة معينة من دوال التوزيع، بل يوضح أيضًا كيفية تأثير افتراضات معينة في سلوك هذه الدوال. وهذا يوفر رؤى قيّمة حول العوامل التي توجه قرارات الذكاء الاصطناعي، ما يساعد الباحثين على فهم تأثير المتغيرات النظرية المختلفة. بتبني الأساليب المطورة في الأصل للتعرف على الصور، أنشأ الباحثون أداة فعالة وقوية لتحليل النماذج النظرية المعقدة في فيزياء الجسيمات. «أعدنا توظيف أدوات من رؤية الحاسوب، وهذا يساعدنا على فهم كيفية تغيّر خصائص دوال التوزيع مع تغيّر الافتراضات النظرية المختلفة». يمثل هذان الإطاران معًا تقدمًا كبيرًا في تطبيق الذكاء الاصطناعي في نظرية الجسيمات. &nbsp;&nbsp;

علماء يستخدمون الذكاء الاصطناعي والتعلم الآلي لفهم فيزياء الجسيمات

phpAhgYvX

<h1 class="ql-align-right ql-direction-rtl">دراسة هي الأولى من نوعها تحدد كيف يستطيع الدماغ أن يقاوم مرض ألزهايمر</h1> &nbsp;&nbsp;تُعدّ فكرة تدريب الجهاز المناعي في الدماغ على التعرف على المواد السامة والتخلص منها وسيلة واعدة لكبح تقدم مرض ألزهايمر. لكن لم يوضح الباحثون بعد الكيفية التي يعمل بها هذا النهج الوقائي على المستوى الخلوي.&nbsp;حلّل فريق دولي من الباحثين عينات دماغية مأخوذة من أشخاص توفوا وهم مصابون بمرض ألزهايمر، كان بعضهم قد تلقى أيضًا علاجات مناعية معتمدة لمواجهته. وتعمل هذه العلاجات على تحفيز الخلايا الدبقية الصغيرة لمهاجمة تكتلات بروتين الأميلويد-بيتا التي يُعتقد أنها تسهم في حدوث التنكس العصبي.&nbsp;قد تؤدي استجابات الخلايا الدبقية الصغيرة لأميلويد-بيتا إلى التهابات، ما يعرّض أنسجة الدماغ لخطر التلف. سعى الباحثون لفهم السبب الذي يجعل العلاج المناعي يحوّل هذه الخلايا في بعض الحالات إلى خلايا تنظيف شديدة النشاط، بينما لا يحدث ذلك في حالات أخرى.&nbsp;صرّح عالم الأعصاب ديفيد جيت من كلية فاينبرغ للطب بجامعة نورث وسترن: «دراستنا هي الأولى التي تكشف عن آليات تعتمدها الخلايا الدبقية الصغيرة، وهي الخلايا المناعية في الدماغ، للحد من انتشار بروتين الأميلويد في مناطق محددة بعد العلاج بالأدوية الموجّهة ضده».&nbsp;لاحظ الفريق أن الخلايا الدبقية الصغيرة لا تكتفي بإزالة تكتلات بروتين الأميلويد بيتا فحسب، بل تتحكم أيضًا في الاستجابة الالتهابية اللازمة لهذه العملية، ما يساعد الدماغ على التعافي.&nbsp;حُصِلَ على هذه الرؤى جزئيًا عبر تقنية تُسمى "التسلسل المكاني للجينات"، التي تُبرِز نشاط الجينات المستهدفَة. تضمنت الجينات المرتبطة بالخلايا الدبقية الصغيرة فائقة النشاط مورثتي APOE وTREM2، وكلاهما حُدِّد على أنه مرتبط بمرض الزهايمر في دراسات سابقة. &nbsp;مع أن هذا المجال البحثي لا يزال في مراحله الأولى، فإن النتائج المستخلصة من الدراسة قد تؤدي مستقبلًا إلى طرق جديدة لوقف تراكم بروتين الأميلويد بيتا ومنع تطور أعراض مرض ألزهايمر.&nbsp;يقول جيت: «السؤال المطروح منذ فترة طويلة في مجال علاجات ألزهايمر هو: هل تظل هذه الخلايا المناعية دائمًا في حالة إزالة الأميلويد إذا حفّزناها على القيام بذلك؟ الجواب الذي وجدناه هو لا، إذ يمكنها إزالته ثم العودة لتكون خلايا مفيدة، ويبدو أنها تساعد الدماغ على التعافي».&nbsp;يُعد تدريب الجهاز المناعي الطبيعي للجسم على حماية الدماغ خيارًا أفضل من إدخال مواد كيميائية إضافية، ويأمل الباحثون استخدام هذه الوسائل لإبطاء تقدم المرض قبل أن يسيطر ألزهايمر بالكامل.&nbsp;ومع أن العلاجات المناعية المذكورة سابقًا حازت على موافقة الجهات التنظيمية وقد تسهم في مكافحة مرض ألزهايمر، فإن هناك فرصة كبيرة لتحسين فعاليتها وتقليل الآثار الجانبية المرتبطة بها.&nbsp;يقول جيت: «أظن أن الجميع بات يرى هذه الأدوية أكثر فعالية، لكنها في النهاية لا تشفي مرضى ألزهايمر كاملًا، إذ إنها تحفز الخلايا المناعية في الدماغ على إزالة الأميلويد بيتا، لكننا نعتقد أن البيانات الواردة في دراستنا المنشورة قد تساعد على زيادة فعاليتها».

دراسة هي الأولى من نوعها تحدد كيف يستطيع الدماغ أن يقاوم مرض ألزهايمر

phpHtdYgp

<h1 class="ql-align-center ql-direction-rtl">الكشف عن أكبر خريطة للكون حتى الآن باستخدام تلسكوب جيمس ويب الفضائي</h1> بعد ساعات طويلة من التركيز المستمر في رقعة صغيرة من السماء، قدم لنا تلسكوب جيمس ويب الفضائي أدق خريطة تفصيلية حتى الآن لركن من أركان الكون. تُسمى هذه الرقعة&nbsp;مجال كوزموس، وإذا بدا الاسم مألوفًا، لأن صورة مذهلة لها نُشرت قبل شهر فقط، لكنها كانت مجرد لمحة بسيطة مما نراه الآن. أُطلقت الخريطة التفاعلية الكاملة مع جميع بياناتها مؤخرًا، وهي خريطة تفوق كثيرًا حقل هابل العميق، الذي احتوى على عشرة آلاف مجرة. أما الخريطة الجديدة فتحتوي على ما يقرب من 800,000 مجرة، ما يبشر ببداية عصر جديد من الاكتشافات في أعماق الكون السحيق. تقول الفيزيائية كايتلين كيسي من جامعة كاليفورنيا سانتا باربرا التي تقود مبادرة كوزموس مع جيهان كارتالتيبي من معهد روتشستر للتكنولوجيا: «كان هدفنا بناء هذا الحقل العميق من الفضاء على مقياس فيزيائي يتجاوز أي شيء أُنجز من قبل». «إذا كان لديك نسخة مطبوعة من صورة هابل العميق بحجم ورقة عادية، فإن صورتنا ستكون أكبر قليلًا من جدارية بعرض وطول أربعة أمتار تقريبًا، بنفس العمق. لذا فهي ضخمة فعلًا». إن تلسكوب جيمس ويب الفضائي أفضل أمل لدينا لفهم الفجر الكوني، أي مليار سنة الأولى تقريبًا بعد الانفجار العظيم، الذي وقع قبل نحو 13.8 مليار سنة. هذه الحقبة من تاريخ الكون صعبة جدًا للرصد، فهي بعيدة للغاية وخافتة جدًا، ومع توسع الكون، فإن الضوء الذي يسافر لمسافات أكبر ويتمدد إلى أطوال موجية أكثر احمرارًا. ومع قدرته العالية على الرصد بالأشعة تحت الحمراء ودقته الفائقة، صُمم تلسكوب جيمس ويب الفضائي تحديدًا لهذه المهمة: رصد الضوء الخافت القادم من فجر الزمن، الذي يخبرنا عن العمليات التي أدت إلى نشأة الكون كما نراه اليوم. تغطي صورة&nbsp;كوزموس رقعة من السماء أكبر قليلًا من مساحة 7.5 أقمار كاملة، وتعود بنا إلى الوراء نحو 13.5 مليار سنة، إلى الوقت الذي بدأ فيه الضباب الكوني الأولي الكثيف بالتبدد. هناك، لا يبحث الباحثون فقط عن المجرات الأولى، بل عن نظام بيئي كوني كامل، رقصة جاذبية تفاعلية لأجرام مرتبطة بشبكة المادة المظلمة التي تمتد عبر الكون كله. تشير بيانات تلسكوب جيمس ويب الفضائي التي جُمعت حتى الآن إلى أنه حتى مع بيانات تلسكوب هابل الفضائي، فإننا بالكاد خدشنا سطح الممكن داخل فجر الكون.«حدث الانفجار العظيم ثم تطلب الأمر وقتًا حتى تنهار المادة تحت تأثير الجاذبية لتتكون وتبدأ النجوم بالإضاءة. يوجد مقياس زمني لذلك». «المدهش أننا نرى مع تلسكوب جيمس ويب تقريبًا عشرة أضعاف عدد المجرات المتوقعة على هذه المسافات الهائلة، ونرى أيضًا ثقوبًا سوداء هائلة الكتلة لم تكن مرئية حتى مع&nbsp;تلسكوب هابل الفضائي». هذا الوفرة في المجرات المتكونة جيدًا لم تُفاجئ علماء الفلك فحسب، بل منحتهم لغزًا ضخمًا لحله، وفقًا لفهمنا الحالي لتطور المجرات، لم يكن قد مضى وقت كافٍ على الانفجار العظيم لتتكون بهذا الشكل. حتى مجرة واحدة قد تكون محيرة، فما بالك بالأعداد التي يجدها&nbsp;تلسكوب جيمس ويب التي تذهل العقول. ومع توفر البيانات للجميع لتصفحها بحرية، قد نحصل على بعض الإجابات. «جزء كبير من هذا المشروع هو ديمقراطية العلم وجعل أدوات وبيانات أفضل التلسكوبات في متناول المجتمع العلمي الأوسع، أفضل العلوم تحدث عندما يفكر الجميع في نفس مجموعة البيانات بطرق مختلفة، ليس من حق مجموعة واحدة من الناس أن تحل كل الألغاز».

الكشف عن أكبر خريطة للكون حتى الآن باستخدام تلسكوب جيمس ويب الفضائي

phpZ6QnjY

<h1 class="ql-align-center ql-direction-rtl">كيف يمكن للذكاء الاصطناعي التعلم من الفئران؟</h1> تُعد القدرة على توقع الحركات بدقة أمرًا ضروريًا ليس للإنسان والحيوانات فقط،لكن للكثير من التطبيقات بدءًا من القيادة الذاتية وصولًا إلى الروبوتات. اكتشف الباحثون من الجامعة التقنية بميونخ&nbsp;أن الشبكات العصبية الاصطناعية تستطيع أداء هذه المهمة على نحو أفضل عندما تُدرب باستخدام بيانات بيولوجية مستمدة من التطور المبكر للجهاز البصري. سواءً في الفئران أم القطط أم البشر، حتى قبل أن تفتح الفقاريات أعينها، طُور برنامج تحت الاختبار يبدأ من شبكية العين ومستقل تمامًا عن أي محفزات خارجية، تُنشر أنماط من النشاط العصبي التلقائي في شكل موجات متتابعة كتلك الموجودة داخل الجدار العصبي للعين.هذا النشاط العصبي، المعروف باسم الأمواج الشبكية، ينسق التوصيلات المبكرة بين الشبكية والجهاز البصري في الدماغ، وبطريقة ما تبدأ العين تدريب نفسها على الرؤية قبل أن تواجه العالم الحقيقي. أظهر الباحثون أن الشبكات العصبية الاصطناعية التي تحاكي وظائف الدماغ يمكنها أيضًا الاستفادة من هذا النوع من التدريب المسبق. تقول يوليجانا جورجيفا أستاذة علم الأعصاب الحاسوبي في الجامعة التقنية بميونخ: «عادةً ما تُدرب الشبكات العصبية الاصطناعية باستخدام بيانات تشبه إلى حد بعيد المهمة التي يُفترض أن تؤديها، وإذا ما نظرنا إلى ذلك بطريقة مشابهة لتطور النظام البصري في الكائنات الحية، فإن عملية التعلم هذه تبدأ فقط عندما تنفتح العيون، لقد استلهمنا من الطبيعة ودمجنا مرحلة تدريب مسبق، تماثل تلك الموجودة في النظام البصري البيولوجي، في تدريب الشبكات العصبية». &nbsp;بحث الفريق في&nbsp;الخطوة الأولى فيما إذا كان التدريب باستخدام الأمواج الشبكية سيؤثر في أداء الشبكة العصبية، لهذا دُربت مجموعات مختلفة من الشبكات بطرق مختلفة، إذ خضعت إحدى المجموعات لتدريب مسبق باستخدام بيانات الأمواج الشبكية المستمدة من فأر. بعد ذلك دُربت هذه الشبكات باستخدام فيلم أنيميشن متحرك يحاكي منظور فأر يركض في ممر ضيق تصطف على جانبيه أنماط هندسية مختلفة، أما المجموعة الأخرى من الشبكات فقد دُربت باستخدام الفيلم المتحرك فقط دون أي تدريب مسبق. كانت المهمة نفسها لجميع الشبكات التنبؤ بدقة بكيفية تغير الأنماط البصرية على جدران الممر المحاكى، وقد أدت الشبكات التي خضعت للتدريب المسبق باستخدام الأمواج الشبكية المهمة بسرعة ودقة أكبر من تلك التي لم تتلقَّ مثل هذا التدريب المسبق. لاستبعاد احتمال أن الأداء الأفضل كان ببساطة بسبب فترة تدريب أطول، أجرى الباحثون جولة أخرى من التجارب قُصرت فيها فترة تدريب الشبكات التي تلقت التدريب المسبق على الفيلم المتحرك، بحيث كان لجميع الشبكات نفس مدة التدريب الإجمالية، وحتى في هذه الحالة، تفوقت الشبكات المدربة مسبقًا من حيث السرعة والدقة. في خطوة أخيرة، زاد الفريق صعوبة المهمة، إذ دربوا الشبكات باستخدام لقطات حقيقية مُلتقطة من منظور قطة تتجول بواسطة كاميرا حركة إذ تُظهر ما تراه القطة. كانت جودة الفيديو أقل من الرسوم المتحركة، وكانت الحركات أعقد، ومع ذلك، مرة أخرى تفوقت الشبكات التي تلقت تدريبًا مسبقًا باستخدام الأمواج الشبكية على جميع الشبكات الأخرى.

باسل حميدي

الأعمال

علماء يستخدمون الذكاء الاصطناعي والتعلم الآلي لفهم فيزياء الجسيمات

دراسة هي الأولى من نوعها تحدد كيف يستطيع الدماغ أن يقاوم مرض ألزهايمر

الكشف عن أكبر خريطة للكون حتى الآن باستخدام تلسكوب جيمس ويب الفضائي

كيف يمكن للذكاء الاصطناعي التعلم من الفئران؟