Electron Identification using Machine Learning in the MPD Experiment at NICA

في قلب المادة، حيث تذوب الذرات في حساء من أصغر وحداتها البنائية، تكمن حالة من الوجود ملأت الكون بأكمله ذات يوم بعد لحظات من الانفجار العظيم. يسمي العلماء هذه الحالة "بلازما الكوارك-غلوون"، وهي سائل فائق السخونة والاضطراب، حيث تنفصل البروتونات والنيوترونات وتذوب إلى الكواركات والغلوونات المكونة لها. ولدراسة هذه الحالة البدائية، يعيد الباحثون تكوينها في المختبر عبر صدم نوى ذرية ثقيلة ببعضها البعض بسرعات هائلة. تولد هذه الاصطدامات درجات حرارة وضغوطاً قصوى، مما يشكل لفترة وجيزة قطرة صغيرة من مادة الكون المبكر هذه. ومع ذلك، لفهم ما حدث داخل تلك القطرة، يجب على العلماء أن يكونوا قادرين على رؤية الجسيمات المحددة التي تهرب من هذا الانفجار. ومن بين أهم الرسل هي الإلكترونات، التي تحمل إشارة نقية للظروف داخل كرة النار. لكن العثور على هذه الإلكترونات يشبه محاولة رصد إبرة فضية وحيدة في كومة من الإبر الذهبية، لأن الاصطدامات تنتج مليارات الجسيمات الأخرى التي تبدو مشابهة جداً لها.

في مرفق "نوكلوترون" المعتمد على مصادم الأيونات (NICA) في روسيا، يتم بناء تجربة جديدة ضخمة تسمى "الكاشف متعدد الأغراض" (Multi-Purpose Detector) لرصد هذه الاصطدامات. تم تصميم المرفق لصدم الأيونات معاً عند طاقات تسمح للعلماء باستكشاف كيفية سلوك المادة عندما تكون محشوة بكثافة عالية من البروتونات والنيوترونات، وهي حالة تشبه قلب نجم نيوتروني. الكاشف عبارة عن آلة ضخمة على شكل برميل، مليئة بطبقات من المستشعرات التي تتبع مسارات وطاقات الجسيمات أثناء تطايرها من نقطة الاصطدام. وتعد إحدى المهام الأكثر حرجاً للعلماء العاملين مع هذه الآلة هي التمييز بين الإلكترونات النادرة وبين الخلفية الهائلة من الجسيمات المشحونة الأخرى، مثل البيونات والبروتونات. فإذا لم يتمكنوا من فصل هذه الإشارات بوضوح، فإن الفيزياء التي يأملون في كشفها ستظل مخفية.

ركز الباحثون وراء هذه الدراسة على تحدٍ محدد: كيفية تحديد الإلكترونات بأعلى دقة ممكنة دون فقدان الكثير منها في العملية. تقليدياً، استخدم العلماء طريقة تعتمد على قواعد بسيطة أحادية البعد؛ حيث كانوا ينظرون إلى سرعة الجسيم أو فقدانه للطاقة ويرسمون خطاً، فيحتفظون بكل ما يقع في جانب واحد ويستبعدون الباقي. ورغم أن هذا النهج مباشر، إلا أنه فج؛ فمن أجل ضمان عدم الاحتفاظ بالجسيمات الخاطئة، يتعين عليهم وضع القواعد بصرامة شديدة، مما يؤدي حتماً إلى التخلص من العديد من الإلكترونات الصحيحة جنباً إلى جنب مع الإلكترونات الخاطئة. أراد الفريق معرفة ما إذا كان بإمكانهم تقديم أداء أفضل باستخدام التعلم الآلي، وهو نوع من البرامج الحاسوبية التي يمكنها تعلم التعرف على الأنماط المعقدة في البيانات بدلاً من اتباع قواعد جامدة ومحددة مسبقاً.

ولاختبار هذه الفكرة، أنشأ الفريق محاكاة حاسوبية مفصلة لاستجابة الكاشف للاصطدامات بين نوى البزموت الثقيلة. وقد قاموا بتوليد مجموعة بيانات ضخمة من مسارات الجسيمات المحاكات، مع تصنيف كل مسار إما كإلكترون أو كجسيم خلفية. ثم قاموا بتعليم نوعين مختلفين من خوارزميات التعلم الآلي لفرز هذه البيانات. الأول كان شبكة عصبية، وهي نظام يحاكي الدماغ البشري ويتعلم عبر تعديل الروابط بين طبقات من وحدات المعالجة البسيطة. والثاني كان "شجرة القرار المعززة" (boosted decision tree)، والتي تعمل من خلال طرح سلسلة طويلة من الأسئلة التي تُجاب بنعم أو لا لتضييق نطاق هوية الجسيم. وقد تم تغذية كلا النظامين بمجموعة متنوعة من القياسات، بما في ذلك زخم الجسيم، ومقدار الطاقة التي فقدها أثناء مروره عبر غاز الكاشف، وكيفية مقارنة سرعته بطاقته.

وجد الباحثون أن مناهج التعلم الآلي تفوقت بشكل كبير على الطريقة التقليدية. فعندما استخدموا القواعد أحادية البعد القياسية، استطاع النظام تحقيق نقاء عالٍ، بمعنى أن الإلكترونات التي احتفظ بها كانت بالتأكيد حقيقية، لكنه لم ينجح في العثور إلا على حوالي نصف إجمالي الإلكترونات المتاحة. أما نماذج التعلم الآلي، فقد تمكنت من العثور على 50 بالمائة أكثر من الإلكترونات مع الحفاظ على نفس المستوى العالي من النقاء. ولم يكن هذا التحسن موحداً عبر جميع السرعات؛ إذ كان على الخوارزميات أن تُدرّب بشكل مختلف اعتماداً على سرعة حركة الجسيمات. ومن خلال تدريب نماذج منفصلة لنطاقات مختلفة من الزخم، ضمن الفريق بقاء النظام دقيقاً حتى بالنسبة للجسيمات الأسرع، حيث تفشل الطرق التقليدية عادةً.

كان أحد أكثر الاكتشافات إثارة للاهتمام هو كيفية مقاربة نموذجي التعلم الآلي للمشكلة بشكل مختلف. فالميل نحو الشبكة العصبية كان يعتمد بشدة على نسبة طاقة الجسيم إلى زخمه، وهو قياس مفيد بشكل خاص لتحديد الإلكترونات عند السرعات العالية. أما شجرة القرار، فقد استخدمت بشكل متكرر قياس فقدان الطاقة في الغاز، بغض النظر عن سرعة الجسيم. يشير هذا الاختلاف إلى أن الخوارزميتين وجدتا طرقاً مختلفة للتمييز بين الإشارة والضجيج، ومع ذلك نجح كلاهما حيث أخفقت الطريقة القديمة. والنتيجة هي أداة تسمح للفيزيائيين برؤية المزيد من الإلكترونات النادرة الهاربة من الاصطدام، مما يضاعف فعلياً كمية البيانات الصالحة للاستخدام التي يمكنهم جمعها لتحليلهم.

يمثل هذا العمل خطوة حاسمة للأمام بالنسبة لـ "الكاشف متعدد الأغراض" مع استعداده لبدء العمليات. إن تقنيات التعلم الآلي الموصوفة هنا ليست مجرد تمارين نظرية، بل هي أدوات عملية ستُستخدم لتحليل البيانات الحقيقية بمجرد تشغيل الكاشف بالكامل. ومن خلال تحسين القدرة على تحديد الإلكترونات، سيتمكن التجربة من دراسة خصائص بلازما الكوارك-غلوون بدقة أكبر بكثير. ويشير الباحثون إلى أنه بينما تأتي هذه النتائج من عمليات المحاكاة، إلا أنها توفر أساساً قوياً لتحليل البيانات الفعلية. إن القدرة على استخراج المزيد من الإشارة من نفس كمية البيانات تعني أن التجربة ستكون قادرة على الإجابة على الأسئلة الجوهرية حول طبيعة المادة والكون المبكر بوضوح كان بعيد المنال في السابق.