Mind the Gap: Navigating Inference with Optimal Transport Maps

في التصادمات الهائلة وعالية الطاقة التي تحدث داخل مسرعات الجسيمات، يحاول العلماء الإجابة على بعض الأسئلة الأكثر جوهرية حول الكون. وللقيام بذلك، يعتمدون على شراكة دقيقة بين التجارب الواقعية والمحاكاة الحاسوبية. فعندما تصطدم الجسيمات ببعضها البعض، فإنها تخلق دفقاً من الحطام تسجله الكواشف، ولكن هذه الإشارات الخام غالباً ما تكون معقدة للغاية بحيث يصعب تفسيرها مباشرة. يستخدم العلماء برامج حاسوبية متطورة لمحاكاة ما ينبغي أن يحدث أثناء هذه التصادمات، مما يخلق خريطة نظرية للبيانات. ومن خلال مقارنة البيانات الحقيقية بهذه المحاكاة، يمكنهم رصد جسيمات جديدة أو قياس الجسيمات المعروفة بدقة مذهلة. ومع ذلك، فإن هذه الشراكة تشوبها ثغرة: فالمحاكاة ليست مثالية أبداً. فهي تعتمد على فهمنا الحالي للفيزياء، لكنها غالباً ما تغفل عن تفاصيل دقيقة لكيفية عمل الكواشف أو كيفية تفاعل الجسيمات. وعندما لا تتطابق المحاكاة مع البيانات الحقيقية، يمكن أن تصبح نتائج التحليل متحيزة، مما يؤدي بالعلماء إلى استخلاص استنتاجات خاطئة حول طبيعة الكون.

لقد طور فريق من الباحثين طريقة جديدة لإصلاح هذا عدم التطابق، وتحديداً للبيانات المعقدة وعالية الأبعاد الناتجة عن تجارب فيزياء الجسيمات الحديثة. فبدلاً من محاولة تعديل المحاكاة بعد حدوثها أو تجاهل الاختلافات، استخدموا إطاراً رياضياً يسمى "النقل الأمثل" (optimal transport) لإعادة تشكيل البيانات المحاكية بحيث تتوافق تماماً مع البيانات الحقيقية. وقد اختبروا هذه الطريقة على نوع معين من رشاشات الجسيمات يُعرف باسم "النفث" (jet)، والذي يتكون عندما يتم إنتاج الكواركات أو الغلوونات في التصادم. قام الباحثون بتدريب نظام ذكاء اصطناعي قوي للتعرف على أصل هذه النفثات، مما خلق تمثيلاً داخلياً غنياً للبيانات مكوناً من 128 بُعداً. ثم طبقوا تقنية المعايرة الجديدة هذه على هذا التمثيل الداخلي، مما أدى فعلياً إلى ترجمة المحاكاة غير المكتملة إلى شكل يطابق الملاحظات الواقعية. وكانت النتيجة مجموعة بيانات مُعايرة حيث تبدو النفثات المحاكية وتتصرف تماماً مثل النفثات الحقيقية، مما سمح باستدلال علمي أكثر دقة وعدم تحيز.

لطال عشرات السنين تحدي مواءمة المحاكاة مع الواقع، حيث كان يمثل عقبة أمام التقدم في فيزياء الجسيمات. ولعقود من الزمن، استخدم العلماء طريقة تُعرف باسم "المعايرة الرأسية" (vertical calibration) لتصحيح هذه التناقضات. يتضمن هذا النهج حساب وزن لكل حدث محاكى، مما يخبر الحاسوب أساساً بضرورة عدّ بعض الأحداث بشكل أكثر تكراراً وأخرى بشكل أقل لجعل المحاكاة تطابق البيانات. وبينما يعمل هذا جيداً مع البيانات البسيطة ومنخفضة الأبعاد، فإنه ينهار عندما تصبح البيانات معقدة وعالية الأبعاد. في هذه الحالات، تكون الاختلافات بين المحاكاة والواقع كبيرة جداً لدرجة أن الأوزان المطلوبة تصبح مرتفعة بشكل مستحيل، أو أن المحاكاة ببساطة لا تغطي نطاق الاحتمالات المشاهد في البيانات الحقيقية. وقد وجد الباحثون أنه بالنسبة لبيانات النفث المعقدة التي كانوا يدرسونها، لم تكن هذه الطريقة التقليدية غير فعالة فحسب، بل كان من المستحيل رياضياً تطبيقها دون فقدان كل القوة الإحصائية؛ إذ كانت البيانات المحاكية والبيانات الحقيقية مختلفة جداً لدرجة أنها بالكاد تتداخل، مما جعل من المستحيل مجرد إعادة وزن إحداهما لتبدو مثل الأخرى.

ولحل هذه المشكلة، لجأ الفريق إلى استراتيجية مختلفة تسمى "المعايرة الأفقية" (horizontal calibration)، والتي تعتمد على رياضيات نقل الكتلة من توزيع إلى آخر بأقل قدر من الجهد. تخيل أن لديك كومة من الرمل تمثل محاكاتك وكومة أخرى تمثل بياناتك الحقيقية. بدلاً من محاولة تغيير ارتفاع حبات الرمل الفردية لتطابق الكومة الثانية، تقوم فعلياً بنقل حبات الرمل من الكومة الأولى إلى مواضع جديدة حتى يتطابق شكل الكومة مع الكومة الثانية. هذا هو جوهر خريطة النقل الأمثل التي طورها الباحثون. لقد بنوا شبكة عصبية تعلمت الطريقة الأكثر كفاءة لتحويل بيانات النفث المحاكية إلى بيانات النفث الحقيقية. وتم تطبيق هذا التحويل مباشرة على التمثيل "الكامن" (latent) الداخلي المكون من 128 بُعداً للنفثات، وهو الفضاء الذي لخص فيه الذكاء الاصطناعي بالفعل جميع الميزات المعقدة لرشاش الجسيمات. ومن خلال معايرة هذا الفضاء الداخلي، ضمنوا الحفاظ على البنية الأساسية للبيانات مع تصحيح سوء النمذجة.

اختبر الباحثون طريقتهم باستخدام مجموعة بيانات مستوحاة من تجربة "المصادم المركزي للميونات" (Compact Muon Solenoid) في مصادم الهادرونات الكبير. لقد أنشأوا مجموعتين من البيانات: مجموعة مصدر تمثل المحاكاة القياسية، ومجموعة هدف تحاكي البيانات التجريبية الحقيقية من خلال إدخال أخطاء وتغيرات معروفة، مثل التغيرات في كيفية قياس الكاشف لمواقع الجسيمات. ثم قاموا بتدريب مصنف الذكاء الاصطناعي الخاص بهم للتمييز بين أنواع مختلفة من النفثات، مثل تلك القادمة من بوزونات هيجز مقابل تلك القادمة من الكواركات العادية. قبل المعايرة، استطاع المصنف بسهولة التمييز بين البيانات المحاكية والبيانات المستهدفة، مما يشير إلى وجود عدم تطابق كبير. وبعد تطبيق خريطة النقل الأمثل، لم يعد بإمكان المصنف التمييز بينهما؛ فقد تم تحويل البيانات المحاكية بنجاح لتبدو مثل البيانات الحقيقية. وتحقق الباحثون من ذلك من خلال فحص مختلف الكميات الفيزيائية المستمدة من البيانات، ووجدوا أن المحاكاة المُعايرة تتطابق الآن مع التوزيع المستهدف عبر نطاق واسع من القياسات.

إن أحد أهم النتائج لهذا العمل هو أن المعايرة التي أُجريت على التمثيل الداخلي المكون من 128 بُعداً قد نجحت في جميع المهام اللاحقة التي اعتمدت عليه. فرغم أن المعايرة قد طُبقت في عمق الشبكة العصبية، إلا أن التحسينات انتقلت إلى المخرجات النهائية، مثل درجات الاحتمالية المستخدمة لتحديد جسيمات معينة. وقد أظهر الباحثون أن البيانات المُعايرة يمكن استخدامها لبناء اختبارات إحصائية خالية من التحيز الناتج عن أخطاء المحاكاة. وهذه خطوة حاسمة نحو استخدام "النماذج التأسيسية" (foundation models) في فيزياء الجسيمات؛ وهي نماذج ذكاء اصطناعي ضخمة مدربة مسبقاً يمكن تكييفها لمهام عديدة. فإذا لم تكن هذه النماذج معايرة بشكل صحيح، فستكون تنبؤاتها متحيزة، مما يحد من فائدتها. ومن خلال إثبات أن النقل الأمثل يمكنه معايرة هذه التمثيلات الداخلية عالية الأبعاد، قدم الباحثون مساراً مستقبلياً لاستخدام هذه الأدوات القوية بطريقة دقيقة وغير متحيزة.

تمتد آثار هذا العمل إلى ما هو أبعد من مجرد تحديد النفثات. توفر هذه الطريقة إطاراً عاماً لتصحيح المحاكاة عالية الأبعاد عبر العلوم المختلفة، وحيثما تُستخدم النماذج المعقدة للتنبؤ بالظواهر الواقعية. وقد أشار الباحثون إلى أنه بينما كان تطبيقهم المحدد في فيزياء الجسيمات، فإن الرياضيات الكامنة وراءه عالمية. وأكدوا أن هذا النهج لا يتطلب أن تكون المحاكاة مثالية؛ بل يتطلب فقط وجود طريقة لربط المحاكاة غير المكتملة بالبيانات الحقيقية. ومن خلال نقل التركيز من تصحيح المخرجات النهائية للنموذج إلى تصحيح تمثيلاته الداخلية، يمكن للعلماء الآن التعامل مع بيانات أكثر تعقيداً مما كان ممكناً في السابق. وهذا يفتح الباب أمام قياسات أكثر دقة للجسيمات الأساسية واكتشاف محتمل لفيزياء جديدة كانت مخفية سابقاً بسبب قيود المحاكاة.

تخلص الدراسة إلى أن استراتيجية المعايرة هذه هي مسار قابل للتطبيق لدمج التعلم الآلي المتقدم في تجارب فيزياء الجسيمات. وهي تشير إلى أن المجال يمكنه الابتعاد عن الاعتماد على العديد من التصحيحات المؤقتة لكل تحليل على حدة، وبدلاً من ذلك اعتماد نهج موحد لمعايرة التمثيلات الداخلية لنماذجهم. ويلاحظ الباحثون بحذر أنه بينما أظهرت عمليات المحاكاة الخاصة بهم نتائج ممتازة، إلا أن هناك حاجة لمزيد من العمل لضمان أن المعايرة لا تؤدي إلى ظهور اختلافات جديدة ودقيقة. كما اقترحوا أن الأبحاث المستقبلية يمكن أن تستكفل كيفية ضبط النماذج باستخدام هذه التمثيلات المُعايرة لتحسين الأداء بشكل أكبر. وفي الوقت الحالي، يقف هذا العمل كإثبات للمفهوم بأن الفجوة بين المحاكاة والواقع يمكن جسرها، ليس بتجاهل الاختلافات، بل بتحويل المحاكاة رياضياً لتناسب العالم كما هو في الحقيقة.