Vision Transformers for End-to-End Quark-Gluon Jet Classification from Calorimeter Images

في أعماق الحلقة الضخمة لمصادم الهادونات الكبير، تصطدم الجسيمات ببعضها البعض بسرعة تقارب سرعة الضوء، مما يخلق رذاذًا فوضويًا من الحطام الذي يجب على الفيزيائيين فرزه لفهم القوانين الأساسية للكون. عندما تتصادم البروتونات، فإنها غالبًا ما تنتج نوعين متميزين من رشاشات الجسيمات، المعروفة باسم "النفثات" (jets): أحدهما ناتج عن كوارك والآخر عن غلوون. وبينما يبدو كلاهما كأقماع فوضوية من الطاقة بالنسبة للكاشف، إلا أنهما مختلفان جوهريًا. فالكواركات هي لبنات بناء البروتونات والنيوترونات، بينما الغلوونات هي "الغراء" الذي يربطها معًا. يحمل الغلوون "شحنة لونية" أقوى، وهي خاصية للقوة النووية القوية، مما يجعله يتفكك إلى رذاذ أكثر اتساعًا وازدحامًا من الجسيمات مقارنة بالرذاذ الأكثر تماسكًا ونقاءً الناتج عن الكوارك. إن التمييز بين هذين النوعين أمر بالغ الأهمية للعلماء؛ فإذا لم يتمكنوا من التفريق بينهما، فقد يفوتون إشارات دقيقة لفيزياء جديدة مجهولة تختبئ في ضجيج الخلفية، أو قد يخطئون في اعتبار حدث شائع ما على أنه شيء استثنائي. ولعقود من الزمن، اعتمد الفيزيائيون على قواعد رياضية معقدة لفصل هذه النفثات، لكن الأنماط معقدة للغاية والبيانات هائلة لدرجة أن القواعد التي يصممها البشر غالبًا ما تعجز عن مواكبتها.

لقد توجه فريق من الباحثين الآن إلى نوع مختلف من الذكاء لحل هذه المشكلة: ذكاء اصطناعي مستوحى من الدماغ البشري. فبدلاً من محاولة كتابة معادلات تصف الفرق بين الكوارك والغلوون، قاموا بتعليم الكمبيوتر كيفية النظر إلى الصور الخام لتصادمات الجسيمات وتعلم الفرق بنفسه. وقد استخدموا بيانات من تجربة CMS في سيرن (CERN)، والتي تسجل ترسبات الطاقة التي تتركها الجسيمات أثناء مرورها عبر طبقات الكواشف. يتم تحويل هذه الترسبات إلى صور رقمية، حيث تمثل البقع الأكثر سطوعًا طاقة أكبر. واختبر الباحثون نوعًا جديدًا من الذكاء الاصطناعي يسمى "محول الرؤية" (Vision Transformer). وخلافًا لأدوات الرؤية الحاسوبية القديمة التي تمسح الصورة من خلال النظر إلى قطع محلية صغيرة واحدة تلو الأخرى، ينظر "محول الرؤية" إلى الصورة بأكمل تفاصيلها دفعة واحدة. يمكنه رؤية كيف ترتبط بقعة ساطعة في زاوية ما من الصورة ببقعة باهتة في الجانب المقابل بشكل فوري، مما يلتقط الشكل والهيكل العالمي للنفثة في نظرة واحدة.

تضمنت الدراسة تغذية الكمبيوتر بملايين من صور النفثات المحاكات هذه، نصفها يظهر نفثات كوارك والنصف الآخر يظهر نفثات غلوون. وقد تم إنشاء الصور من ثلاثة أنواع مختلفة من بيانات الكاشف: المسارات التي تتركها الجسيمات المشحونة، والطاقة المقاسة في المستعرض الكهرومغناطيسي، والطاقة المقاسة في المستعرض الهادروني. ومن خلال دمج هذه العناصر في صورة واحدة متعددة الطبقات، منح الباحثون الذكاء الاصطناعي رؤية كاملة للحدث. ثم قارنوا أداء "محولات الرؤية" الجديدة هذه مقابل الأدوات التقليدية العريقة المستخدمة في هذا المجال، والتي تعتمد على مسح المناطق المحلية الصغيرة. وكانت النتائج واضحة ومتسقة؛ فقد أثبتت "محولات الرؤية"، خاصة عند دمجها مع بنيات متقدمة أخرى، قدرة أكبر بكثير على التمييز بين نوعي النفثات. لقد حققت دقة أعلى وكانت أفضل في تحديد النفثات بشكل صحيح دون ارتكاب أخطاء، وهو توازن ضروري للاكتشاف العلمي.

وجد الباحثون أن القدرة على رؤية الصورة الكاملة دفعة واحدة منحت النماذج الجديدة ميزة متميزة. فالنفثات من نوع الكوارك والغلوون تختلف في أنماط دقيقة وطويلة المدى؛ إذ غالبًا ما يكون لطريقة انتشار الطاقة عبر الكاشف بأكمله تأثير أكبر من شدة بكسل واحد. أما الأدوات القديمة، التي تركز على التفاصيل المحلية، فقد عانت في ربط هذه النقاط البعيدة. ومع ذلك، ازدهرت "محولات الرؤية" بهذا السياق العالمي، ونجحت في رسم الهياكل المعقدة والمتشعبة لنيثات الغلوون مقابل نيثات الكوارك الأكثر تماسكًا. كما استكشفت الدراسة طرقًا مختلفة لخلط هذه النماذج الجديدة مع النماذج القديمة، مما خلق أنظمة هجينة تجمع بين أفضل ما في العالمين. وقد كان أداء هذه النماذج الهجينة أفضل، مما يشير إلى أن مستقبل تحليل فيزياء الجسيمات قد يكمن في دمج الدقة المحلية للطرق التقليدية مع الفهم السياقي الواسع للمحولات الحديثة.

ورغم أن هذه النتائج واعدة، إلا أن الباحثين حذروا من أن عملهم تم باستخدام بيانات محاكاة، وهي نموذج حاسوبي دقيق للغاية لكيفية تصرف الكواشف. وتتمثل الخطوة التالية في اختبار هذه النماذج على بيانات حقيقية من المصادم لمعرفة مدى صمودها في ظل الظروف الفوضوية وغير المتوقعة لتجربة حقيقية. علاوة على ذلك، تتطلب هذه النماذج القوية قدرة حوسبة كبيرة لتشغيلها، مما قد يشكل عقبة أمام التحليل في الوقت الفعلي في المستقبل. وبالرغم من هذه القيود، فإن الدراسة تضع معيارًا جديدًا لكيفية تطبيق التعلم الآلي في فيزياء الجسيمات. فهي تظهر أنه من خلال السماح للكمبيوتر برؤية الحدث بأكمله ككيان واحد، بدلاً من مجرد أجزائه، يمكن للعلماء فتح آفاق لفهم أعمق للعالم دون الذري، مما قد يكشف عن فيزياء جديدة كانت مخفية في وضح النهار طوال الوقت.