جدیدترین مدل OpenAI، یعنی GPT‑6 Astra، نقشی کلیدی در تکمیل برهانی داشت که میتواند راه را برای شبیهسازی کامل مدل استاندارد ــ نظریهای که همه ذرات و نیروهای شناختهشده را توصیف میکند ــ هموار کند. ناتانیل کریگ، فیزیکدانی که بهعنوان پژوهشگر مهمان در OpenAI فعالیت میکند، این نتیجه را در وبلاگ شرکت و مقالهای پیشچاپ ارائه کرد. این برهان به مشکلی ۵۰ساله درباره نیروی ضعیف در شبکههای گسسته میپردازد؛ جایی که ناهمخوانی در دستسانی ذرات، «ذرات شبح» ناخواستهای ایجاد میکند.
کریگ برنامهای داشت تا با مقایسه شبکههایی که بهتدریج ریزتر میشدند، فازِ ذرات ویژهای به نام فرمیونهای همپوشان را اصلاح کند. اما نتوانست نشان دهد این روش در همه موارد لازم کار میکند. GPT‑6 Astra طرح اولیه را به ساختاری کامل و از نظر ریاضی دقیق تبدیل کرد و برهان مفصل را نوشت. پس از انتشار پیشنویس، متخصصان فیزیک شبکهای، مارتن گُلترمن، آندریاس کرونفلد و ییگال شامیر، پرسشهایی مطرح کردند که به محکمتر شدن استدلال کمک کرد. کریگ میگوید این کار «بیشتر آغاز راه است تا پایان آن» و یادآوری میکند که هنوز تا شبیهسازیهای واقعگرایانه فاصله زیادی باقی است.
چرا این موضوع اکنون اهمیت دارد
شبیهسازیهای شبکهای به فیزیکدانان امکان میدهند ویژگیهای ذرات را از اصول بنیادی محاسبه کنند. این روشها تاکنون جرم پروتون را به دست دادهاند، اما بهدلیل مسئله فازِ نیروی ضعیف، مدل استاندارد بهطور کامل از دسترس خارج مانده است. حل این مسئله میتواند در نهایت به پژوهشگران امکان دهد واپاشیهای نادر و دیگر پدیدههای مربوط به نیروی ضعیف را مستقیماً با رایانه مدلسازی کنند و پیشبینیها برای آزمایشهای برخورددهندههای ذرات را بهبود دهند.
این برهان در پی مجموعهای از دستاوردهای ریاضی با کمک هوش مصنوعی مطرح شده که از اوایل 2026 آغاز شدند؛ از جمله رد حدس فاصله واحد اردوش با هوش مصنوعی OpenAI و راهحل ادعایی مسئله هزاره ناویه–استوکس. جامعه علمی همچنان درباره برهانهای نوشتهشده با هوش مصنوعی محتاط است، اما بازخوردهای داوریشده درباره این پژوهش شبکهای نشان میدهد که هوش مصنوعی اکنون میتواند در فیزیک نظری بسیار تخصصی نیز مشارکت کند.
چرا مهم است
اگر مسئله فاز بهطور کامل حل شود، فیزیکدانان میتوانند شبیهسازیهای کامل مدل استاندارد را با رایانه اجرا کنند و پیشبینیهای دقیقتری برای آزمایشهای ذرات به دست آورند. فعلاً این برهان گام نخست است؛ شبیهسازیهای عملی ممکن است همچنان به سالها توسعه و توان محاسباتی نیاز داشته باشند.