Lorentz-Equivariance without Limitations

في عالم فيزياء الجسيمات عالي الطاقة، يصدم العلماء البروتونات مع بعضها البعض بسرعة تقترب من سرعة الضوء لإعادة تهيئة ظروف الكون المبكر. والنتيجة هي حطام فوضوي من الجسيمات الجديدة، تسجلها كواشف ضخمة كسحابة من النقاط في الزمان والمكان. ولإضفاء معنى على هذه الفوضى، يعتمد الباحثون على قوانين النسبية الخاصة، التي تنص على أن القواعد الأساسية للفيزياء لا تتغير بغض النظر عن كيفية حركة المراقب أو مكان وجوده. هذا المبدأ، المعروف باسم "ثبات لورنتز" (Lorentz invariance)، يعني أن سلوك الجسيم يبدو كما هو سواء تم رصده من مختبر ثابت أو من مركبة فضائية تمر بسرعة عالية. ومع ذلك، عندما يستخدم العلماء الذكاء الاصطناعي لتحليل تصادمات الجسيمات هذه، فإنهم يواجهون مشكلة صعبة: البرامج الحاسوبية القياسية لا تفهم طبيعياً قواعد الحركة هذه؛ فهي غالباً ما تتعامل مع البيانات كما لو كانت صورة ثابتة، متجاهلة العلاقات الهندسية العميقة التي تحكم تفاعل الجسيمات. هذا القصور يجبر الباحثين إما على بناء نماذج حاسوبية محددة للغاية وصلبة يصعب تكييفها، أو استخدام كميات هائلة من القدرة الحوسبية لتعليم نموذج قياسي تخمين القواعد من خلال التجربة والخطأ.

لقد طور فريق من الفيزيائيين وعلماء الكمبيوتر طريقة جديدة تسمى "التحويل المحلي الكانوني للورنتز" (Lorentz Local Canonicalization)، أو LLoCa، والتي تحل هذه المشكلة عبر منح أي شبكة عصبية فهماً متأصلاً للنسبية دون إبطاء سرعتها. وبدلاً من إجبار الحاسوب على تعلم قواعد الحركة من الصوافر، تعلم هذه الطة الشبكة إنشاء إطار مرجعي محلي متحرك لكل جسيم تراه. تخيل الجسيم كمسافر يحمل خريطته الخاصة؛ تتنبأ الشبكة بهذه الخريطة لكل جسيم، مما يسمح للحاسوب بترجمة كل البيانات المعقدة والمتحركة إلى لغة محلية بسيطة يسهل فيها قراءة قوانين الفيزياء. وبمجرد ترجمة البيانات إلى هذه الأطر المحلية، يمكن للشبكة معالجتها باستخدام أي بنية مرنة ومعيارية. وبعد الانتهاء من الحسابات، تقوم الشبكة بترجمة النتائج مرة أخرى إلى المنظور العالمي للكاشف. يسمح هذا النهج للحاسوب باحترام التناظرات الأساسية للكون مع الحفاظ على السرعة والمرونة في التعامل مع أنواع مختلفة من المسائل الفيزيائية.

اختبر الباحثون هذا الإطار الجديد في ثلاثة تحديات متميزة تقع في قلب فيزياء الجسيمات الحديثة: التنبؤ بقوة تفاعلات الجسيمات، وتوليد محاكاة واقعية لتصادمات الجسيمات، وتحديد أنواع معينة من الجسيمات المختبئة داخل الحطام. في الاختبار الأول، طلبوا من الشبكة التنبؤ باحتمالية حدوث عملية تشتت معينة تشمل بوزون Z وما يصل إلى أربعة غلوونات. ووجدوا أنه بإضافة نظام الإطار المرجعي المحلي هذا إلى الشبكات العصبية القياسية، أصبحت التنبؤات أكثر دقة بشكل ملحوظ مقارنة بالنماذج غير النسبية، وطابقت أداء النماذج الأكثر تعقيداً وتخصصاً. والأهم من ذلك، حققت الطريقة الجديدة هذه الدقة العالية بجهد حوسبي أقل بكثير، حيث كانت أسرع بأربع مرات من النماذج المتطورة السابقة المصممة خصيصاً لهذه المهمة.

في التطبيق الثاني، استخدم الفريق هذه الطريقة لتوليد أحداث تصادم جسيمات جديدة من الصفر. وهذه مهمة حيوية لمحاكاة ما يجب أن تراه الكواشف، لكنها صعبة للغاية لأن الحاسوب يجب أن يتعلم مشهداً معقداً ومتعدد الأبعاد من الاحتمالات. اكتشف الباحثون أنه بالنسبة لهذه الوظيفة تحديداً، لم تكن الشبكة بحاجة لأن تكون متناظرة تماماً في جميع الاتجاهات. بدلاً من ذلك، كان أداؤها الأفضل عندما سُمح لها بكسر بعض قواعد التناظر الصارمة لتتوافق مع الهندسة المحددة لكاشف الجسيمات، والذي له اتجاه مفضل على طول خط الشعاع. ومن خلال السماح للشبكة بتعلم احترام التناظرات الموجودة فعلياً في بيانات الكاشف فقط، حققوا أفضل النتائج الممكنة. يتحدى هذا الاكتشاف الفكرة القائلة بأن النموذج الحاسوبي يجب أن يكون دائماً متناظراً تماماً ليكون فعالاً؛ ففي بعض الأحيان، يكون معرفة أين ينكسر التناظر لا يقل أهمية عن معرفة وجوده.

تضمن الاختبار الثالث والأكثر شمولاً عملية "وسم النفاثات" (jet tagging)، وهي عملية يجب على الحواسيب من خلالها التمييز بين نفاثات الجسيمات الناتجة عن كواركات عليا ثقيلة وتلك الناتجة عن الضجيج الخلفي العادي. وتعد هذه مهارة حاسمة للعثور على فيزياء جديدة، حيث تُنتج الكواركات العليا غالباً في أحداث نادرة ومثيرة للاهتمام. طبق الفريق طريقتهم على عدة بنيات شبكية قائمة وعالية الأداء، وقاموا بترقيتها لتصبح نسبية. كما أنشأوا مجموعة بيانات ضخمة جديدة تحتوي على 135 مليون حدث محاكى لتدريب هذه النماذج، وهي أكبر بكثير من أي مجموعة بيانات سابقة استُخدمت لهذه المهمة تحديداً. وعلى هذا النطاق الواسع، تفوقت الشبكات المطورة على نظيراتها غير النسبية وطابقت أداء أكثر النماذج تقدماً وتخصصاً. وأظهرت النتائج أنه بينما تعمل الطريقة الجديدة بشكل جيد مع مجموعات البيانات الصغيرة، فإن قوتها الحقيقية تتجلى عندما تكون كمية البيانات كبيرة، مما يسمح للشبكة باستغلال قوانين الفيزياء للتعلم بكفاءة أكبر.

تتعلق الرؤية الأساسية من الدراسة بكيفية تعامل الشبكة مع تناظر البيانات. وجد الباحثون أنه بالنسبة لبعض المهام، مثل توليد الأحداث، يكفي أن تحترم الشبكة التناظر المتبقي للكاشف. ومع ذلك، بالنسبة لتحديد الجسيمات في النفاثات، كان الأداء الأفضل يأتي من نهج هجين؛ حيث سُمح للشبكة باستخدام القوة الكاملة للتناظر النسبي في حساباتها الداخلية، ولكن تم تزويدها أيضاً بنقاط مرجعية محددة، مثل اتجاه شعاع الجسيمات، كمدخلات إضافية. سمح هذا للشبكة بأن تقرر بنفسها متى تستخدم التناظر الكامل ومتى تعتمد على هندسة الكاشف المحددة. أثبتت هذه المرونة أنها الاستراتيجية الأكثر فعالية، مما سمح للنموذج بتحقيق أعلى دقة دون التقيد بقواعد صارمة قد لا تنطبق على كل جزء من البيانات.

كما أظهرت الدراسة أن هذا الإطار الجديد ليس مقتصرًا على نوع واحد من الشبكات العصبية. فقد نجح الباحثون في تطبيقها على كل من الشبكات الرسومية (graph networks)، التي تعامل الجسيمات كعقد متصلة، والمحولات (transformers)، وهي نماذج قوية تُستخدم غالباً في معالجة اللغات. وفي كل حالة، عملت الطريقة كترقية عالمية، حيث أخذت شبكة موجودة وجعلتها نسبية بزيادة طفيفة فقط في عدد المعلمات القابلة للضبط. كانت التكلفة الحوسبية لهذا الترقية ضئيلة، حيث لم تضف سوى حوالي واحد بالمائة من إجمالي عدد المعلمات ولم تتطلب وقتاً إضافياً يُذكر. وهذا يشير إلى إمكانية اعتماد الطريقة بسهولة من قبل مجتمع الفيزياء الأوسع لتحسين الأدوات الموجودة دون الحاجة إلى إعادة كتابة أنظمة برمجية كاملة من الصفر.

من خلال توفير طريقة لدمج التناظرات الأساسية للكون في نماذج التعلم الآلي بأقل قدر من الأعباء الإضافية، يزيل هذا العمل عائقاً رئيسياً أمام التقدم في فيزياء الجسيمات. فهو يسمح للباحثين باستخدام أقوى بنيات الشبكات العصبية وأكثرها مرونة المتاحة اليوم مع ضمان احترامها لقوانين الطبيعة. إن القدرة على توليد عمليات محاكاة أفضل، والتنبؤ بقوة التفاعلات بدقة أكبر، وتحديد الجسيمات النادرة بثقة أعلى، تفتح آفاقاً جديدة لتحليل الكميات الهائلة من البيانات المتوقعة من مصادمات الجسيمات المستقبلية. لقد جعل الباحثون أكوادهم ومجموعات بياناتهم متاحة للجمهور، داعين الآخرين لاختبار وتطوير هذه الأدوات، لضمان أن الجيل القادم من الاكتشافات في فيزياء الجسيمات يمكن أن يُبنى على أساس من البيانات والفهم الفيزيائي العميق.