Gemini 4 Argon گوگل به محققان کمک کرده است راه‌حل‌های دقیق ریاضی را گسترش دهند که میدان‌های مغناطیسی را در راکتورهای همجوشی آزمایشی توصیف می‌کند - کاری که بر اساس نتایجی استوار است که در اوایل سال جاری، با حدسیات 59 ساله در تناقض بود. TechRadar این توسعه را روز دوشنبه گزارش داد و آن را در مقاله ای که محققان از طریق arXiv منتشر کرده اند، ردیابی کرد.

این دستاورد مربوط به ریاضیات مورد استفاده برای مدل‌سازی چگونگی وجود پلاسمای فوق‌گرم در میدان‌های مغناطیسی در دستگاه‌های همجوشی است. این پیشرفتی نیست که به خودی خود الکتریسیته تولید کند یا همجوشی تجاری را نزدیک‌تر کند - اما چیزی را به فیزیکدانان پلاسما می‌دهد که از سال 1967 فاقد آن بودند: خانواده گسترده‌تری از راه‌حل‌های دقیق که می‌توان کدهای شبیه‌سازی آنها را با آنها آزمایش کرد. For more context on this story, see our ongoing AI trends.

حدسی که از سال 1967 وجود داشت

در سال 1967، هارولد گراد، فیزیکدان، حدسی در مورد شرایط ریاضی حاکم بر تعادل در میدان های مغناطیسی سه بعدی - دقیقاً تنظیمات مربوط به همجوشی محصور مغناطیسی، ارائه کرد.

این حدس و گمان چگونگی تفکر محققان در مورد پیکربندی پلاسما را برای چندین دهه شکل داد. همجوشی محصور شده مغناطیسی از میدان‌های قدرتمند برای محتوی گاز بسیار داغ و دارای بار الکتریکی استفاده می‌کند و از فرار آن قبل از ترکیب شدن هسته‌های اتمی و آزاد کردن انرژی جلوگیری می‌کند. دانشمندان به مدل‌های ریاضی دقیق این زمینه‌ها نیاز دارند، زیرا شبیه‌سازی‌ها به آنها کمک می‌کند رفتار پلاسما را درک کنند و پیکربندی‌هایی را طراحی کنند که قادر به حفظ محدودیت هستند.

دلیل عملی بودن راه‌حل‌های دقیق: شبیه‌سازی‌های کامپیوتری محصوریت مغناطیسی تقریبی هستند، و برای اینکه بدانند آیا این تقریب‌ها قابل اعتماد هستند یا خیر، فیزیکدانان به موارد ریاضی دقیقی نیاز دارند که خواص آن مشخص باشد - مثال‌های مرجع برای آزمایش نرم‌افزاری که محصوریت مغناطیسی را مدل می‌کند، نه اینکه کاملاً بر تقریب‌ها تکیه کنند. به مدت 59 سال، خانواده های راه حل موجود با حدس Grad محدود شده بودند.

در سپتامبر 2026، زمانی که محقق دانشگاه مریلند، مت لاندرمن، راه‌حل‌های دقیقی را منتشر کرد که با حدس‌ها در تناقض بود، این وضعیت تغییر کرد. به گفته TechRadar، آن کار قبلی با کمک GPT-6 Astra Pro از OpenAI تولید شد - یکی از اولین موارد برجسته یک مدل هوش مصنوعی مرزی که به نتیجه ای کمک کرد که ادعای طولانی مدت در فیزیک پلاسما را لغو کرد.

گسترش خانواده راه حل ها با Gemini 4 Argon

راه‌حل‌های لندرمن با محدودیت‌هایی همراه بود: هم خانواده‌های قدیمی و هم خانواده‌های جدید از تقارن هندسی خاصی برخوردار بودند و محققان را بدون مثال دقیق برای پیکربندی‌هایی که فاقد آن بودند، رها کرد.

مطالعه بعدی توسط Opal Issan، Jonathan Citrin، Matt Landreman و Brendan Tracey به حذف این محدودیت پرداخت. محققان از Gemini 4 Argon از طریق محیط Antigravity گوگل استفاده کردند، جایی که چندین عامل هوش مصنوعی نتایج قبلی Landreman را بررسی کردند و راه‌های گسترش آنها را بررسی کردند.

بر اساس این گزارش، عوامل با معرفی پارامتری که تقارن را می‌شکند، راه‌هایی برای حذف محدودیت تقارن از راه‌حل‌های لندرمن پیدا کردند و پیکربندی‌های مغناطیسی جدیدی تولید کردند که محققان می‌توانند آن را تأیید کنند. نامزدهای امیدوارکننده ریاضی در عرض چند ساعت پس از شروع تحقیقات خود توسط عوامل ظاهر شدند - فشرده سازی چشمگیر یک فرآیند جستجو که معمولاً به هفته ها محاسبه دستی نیاز دارد.

نقش هوش مصنوعی کوتاه کردن جستجو بود، نه جایگزینی علم. محققان هنوز باید مشتقات را بررسی می‌کردند، تأیید می‌کردند که راه‌حل‌های پیشنهادی از نظر ریاضی سازگار هستند و تأیید محاسباتی را اجرا می‌کردند. همچنین از کمک هوش مصنوعی در تهیه بخش‌هایی از نسخه خطی تحقیق استفاده شد و نویسندگان مسئولیت کار منتشر شده را حفظ کردند.

راه حل های جدید برای چه چیزی خوب هستند

پیکربندی‌های به‌دست‌آمده موارد مرجع بیشتری را برای بررسی برنامه‌های رایانه‌ای که تعادل مغناطیسی را در آرایش‌های پیچیده سه‌بعدی محاسبه می‌کنند، به محققان می‌دهد. این کدها در سراسر جامعه محصورسازی مغناطیسی - در تحقیقات ستاره‌شناس و توکاماک به طور یکسان - استفاده می‌شوند و اعتبار آنها دقیقاً به نوع راه‌حل‌های دقیقی بستگی دارد که این خط کار تولید می‌کند.

TechRadar در مورد این دامنه صریح بود: دستاورد فوری مجموعه گسترده‌تری از راه‌حل‌های دقیق ریاضی برای محققانی است که در حال مطالعه محدودیت مغناطیسی هستند، نه شواهدی مبنی بر اینکه هوش مصنوعی همجوشی هسته‌ای را حل کرده یا موانع مهندسی آن را برطرف کرده است. شکاف بین حل معادلات میدانی و ساختن یک نیروگاه مانند همیشه گسترده است.

الگویی در حال شکل گیری است

این کار با مجموعه ای از نتایج به سرعت در حال رشد مطابقت دارد که در آن مدل های هوش مصنوعی مرزی به ریاضیات جدی کمک می کنند - و در آن مدل های آزمایشگاه های رقیب در جنبه های مختلف یک مشکل ظاهر می شوند. مدل OpenAI به تولید نمونه‌های متقابل اصلی کمک کرد که با حدس Grad در تناقض بودند. مدل گوگل به گسترش این نتایج در قلمرو جدید کمک کرد.

همچنین نشان دهنده انتخاب عمدی طراحی از سوی گوگل است. Gemini 4 Argon که در اوایل ماه جاری منتشر شد، توسط این شرکت به عنوان یک مدل ساخته شده برای استدلال گسترده در مورد مشکلات علمی سخت معرفی شد و گوگل آن را با محیط عامل Antigravity که در آن چندین عامل می توانند به طور موازی مشکل را حل کنند، جفت کرده است. مقاله همجوشی یک نمایش اولیه و ملموس از آن زمین است که در عمل توسط فیزیکدانان شاغل استفاده می شود.

برای جامعه فیزیک پلاسما، سود عملی بلافاصله می رسد: موارد دقیق تر برای اعتبارسنجی نرم افزار شبیه سازی. برای صنعت هوش مصنوعی، این نقطه داده دیگری در بحث در مورد اینکه آیا مدل های مرزی در حال تبدیل شدن به ابزارهای واقعی اکتشافات علمی هستند یا خیر - سوالی که به طور فزاینده ای به خود پاسخ می دهد، یک حدس در یک زمان.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →