Reconstructing short-lived particles using hypergraph representation learning

داخل مصادم الهادونات الكبير، وهو حلقة ضخمة من المغناطيسات مدفونة تحت الحدود السويسرية الفرنسية، يقوم العلماء بصدم البروتونات ببعضها البعض بسرعة تقارب سرعة الضوء. تعيد هذه الاصطدامات خلق الطاقة الحارقة للحظات الكون الأولى، مما يولد شلالاً من الجسيمات الجديدة. معظم هذه الجسيمات ثقيلة وقصيرة العمر بشكل لا يصدق، حيث تتحلل فوراً تقريباً إلى رذاذ من الحطام الأكثر استقراراً. ولفهم القوانين الأساسية للطبيعة، يجب على الفيزيائيين إعادة بناء الجسيمات الأصلية العابرة من هذا الحطام، تماماً مثل خبير الأدلة الجنائية الذي يحاول استنتاج شكل مزهرية محطمة من خلال فحص الشظايا المتناثرة. ويكمكم التحدي في العدد الهائل من القطع؛ فعندما تتحلل الجسيمات الثقيلة، فإنها غالباً ما تنتج ما يصل إلى 20 "نفثاً" (jets) — وهي عبارة عن تيارات ضيقة من الجسيمات تنطلق في اتجاهات محددة. إن تحديد أي النفثات جاءت من أي جسيم أم هو لغز ذو تعقيد هائل، خاصة عندما يتضمن الحطام جسيمات غير مرئية لا تترك أثراً في الكاشف.

لقد طور فريق من الباحثين في جامعة مانشستر طريقة جديدة لحل هذا اللغز، وهي طريقة لا تتعامل مع بيانات الاصطدام كمجرد قائمة بسيطة من الجسيمات، بل كشبكة معقدة من العلاقات. وقد أطلقوا على طريقتهم اسم "HyPER". فبدلاً من النظر إلى الجسيمات بشكل منعزل أو في أزواج فقط، يستخدم HyPER بنية رياضية تسمى "الرسم البياني الفائق" (hypergraph) لفهم كيفية اتصال مجموعات الجسيمات مع بعضها البعض في آن واحد. في النهج القياسي، قد يحاول الكمبيوتر ربط الجسيم (أ) بالجسيم (ب)، ثم الجسيم (ب) بالجسيم (ج)، وبناء سلسلة خطوة بخوة. ومع ذلك، يمكن لـ HyPER أن ينظر إلى مجموعة كاملة من الجسيمات في وقت واحد ويتساءل: "هل تشكل هذه الجسيمات الثلاثة المحددة معاً جسيماً أصلياً واحداً؟". هذا التحول في المنظور يسمح للنظام برؤية أنماط قد تغفل عنها الطرق الأبسط، لا سيما في الأحداث التي يكون فيها عدد الجسيمات مرتفعاً جداً.

اختبر الباحثون هذا النظام الجديد في نوع محدد من الاصطدامات حيث يتحلل زوج من الكواركات العلوية (top quarks) — وهي أثقل الجسيمات الأولية المعروفة — بالكامل إلى نفثات. في هذا السيناريو، تتفكك الكواركات العلوية الاثنين إلى ستة كواركات، والتي تتحول بعد ذلك إلى ستة نفثات، بالإضافة إلى أي نفثات إضافية ناتجة عن الاصطدام العنيف نفسه. والهدف هو تحديد أي ثلاث نفثات تنتمي إلى كوارك علوي واحد وأيها تنتمي إلى الآخر بشكل صحيح. قام الفريق بتدريب نموذج HyPER على ملايين الاصطدقات المحاكات، لتعليمه كيفية التعرف على المجموعات الصحيحة. ثم وضعوه في مواجهة اثنتين من أكثر الطرق المتقدمة المستخدمة حالياً من قبل الفيزيائيين. وأظهرت النتائج أن HyPER كان قادراً على إعادة بناء الجسيمات الأصلية بشكل صحيح في 67 بالمئة من الأحداث، متفوقاً على الطرق الأخرى التي نجحت في حوالي 65 بالمئة و64.5 بالمئة من الحالات.

إن ما يجعل هذا الإنجاز مهماً بشكل خاص ليس فقط الزيادة الطفيفة في الدقة، بل الكفاءة التي تحقق بها ذلك. إن نموذج HyPER صغير بشكل ملحوظ، حيث يحتوي على حوالي 3,450 معلماً قابلاً للتدريب فقط. وفي المقابل، تتطلب النماذح المنافسة ملايين المعالم لتعمل. ولتوضيح ذلك، يحتوي النموذج الجديد على معامل أقل بـ 20 مرة من إحدى الأدوات الموجودة، ومع ذلك يقدم نتائج أفضل. وتكتسب هذه الكفاءة أهمية لأنها تعني أن النموذج أقل عرضة لـ "الفرط في التخصيص" (overfitting)، أو حفظ بيانات التدريب بدلاً من تعلم الفيزياء الأساسية، كما أنه يتطلب قدرة حوسبة أقل بكثير للتشغيل. وقد وجد الباحثون أنه حتى عندما قللوا من كمية بيانات التدريب المتاحة، ظل HyPER الأداة الأكثر دقة، مما يشير إلى أنه قوي بما يكفي للتعامل مع مجموعات البيانات المحدودة التي توجد غالباً في عمليات البحث عن الفيزياء النادرة.

يفتح نجاح HyPER الباب لدراسة أحداث أكثر تعقيداً وندرة في فيزياء الجسيمات. ولأن النظام مصمم للتعامل مع مجموعات من الجسيمات من أي حجم، فإنه يمكن استخدامه مستقبلاً لإعادة بناء الجسيمات التي تتحلل إلى أربعة أو خمسة أو أكثر من النفثات. وبينما ركزت الدراسة الحالية على جميع التحللات الهادرونية حيث تغيب النيوترينوهات، يشير الباحثون إلى أن العمل المستقبلي يهدف إلى توسيع الطريقة لتشمل إعادة بناء حركية النيوترينو في الحالة النهائية. لقد أثبت الباحثون أن نهجهم يعمل بشكل جيد في الحالة المحددة لأزواج الكواركات العلوية، لكن الطريقة الأساسية مرنة بما يكفي لتطبيقها على مجموعة واسعة من العمليات الفيزيائية. ومن خلال توفير طريقة أكثر قوة وكفاءة لتصور العلاقات بين الجسيمات، يوفر HyPER أداة جديدة للنظر في البنية الأساسية للكون، مما يساعد العلماء على تمييز إشارة الفيزياء الجديدة عن ضجيج الخلفية للعالم المعروف.