Physics Informed Bayesian Machine Learning of Sparse and Imperfect Nuclear Data
تقدم هذه الورقة إطاراً للتعلم الآلي البايزي المستند إلى الفيزياء، والذي يستفيد من الأولويات النموذجية للانشطار وقيود العائد التراكمي لتقييم عوائد نواتج الانشطار المستقلة المعتمدة على الطاقة بدقة، رغم ندرة البيانات النووية التجريبية وعدم كمالها.
المؤلفون الأصليون:Jiaming Liu, Yang Su, N. C. Shu, Y. J. Chen, J. C. Pei
لديك عدد قليل جداً من اختبارات التذوق: البيانات التجريبية (وهي "اختبارات التذوق" لكيفية تفتت الوقود النووي) نادرة للغاية، وغير دقيقة، ومتناقضة أحياناً.
ليس لديك حدس: إذا استخدمت مجرد برنامج حاسوبي قياسي (تعلم قائم على البيانات فقط) لتخمين الوصفة بناءً على تلك الاختبارات القليلة، فمن المرجح أن يصاب الحاسوب بالارتباك. قد يبتكر نكهات غير موجودة أو يغفل عن التوابل الدقيقة لأنه لا يفهم قواعد الطهي (الفيزياء).
في عالم الفيزياء النووية، تعد هذه مشكلة ضخمة. يحتاج العلماء إلى معرفة كيفية تفتت الوقود النووي بدقة لبناء مفاعلات أفضل وإنتاج النظائر الطبية، لكن البيانات شحيحة جداً بحيث لا يمكن للحواسيب التعلم بمفردها.
الحل: "مساعد طاهٍ" ذكي
يقترح مؤلفو هذه الورقة طريقة جديدة لتدريب الحاسوب. بدلاً من ترك الحاسوب يبدأ من الصفر، فإنهم يمنحونه بداية قوية باستخدام نهج "مدعوم بالفيزياء" (Physics-Informed).
فكر في الأمر كالتالي:
الطريقة القديمة (التعلم غير المدرك): أنت تعطي الحاسوب بعض الصور الضبابية لكعكة وتطلب منه تخمين الوصفة. قد يخطئ في التخمين لأنه لا يعرف أن الكعك يحتاج إلى دقيق، أو بيض، أو أنها ترتفع في الفرن.
الطريقة الجديدة (التعلم المدعوم بالفيزياء): قبل عرض الصور الضبابية على الحاسوب، تعلمه أولاً كتاباً نظرياً مثالياً عن الخبز (نموذج GEF الفيزيائي). يقرأ الحاسوب الكتاب بأكمله ويتعلم قوانين الخبز (حفظ الكتلة، التأثيرات الكمومية، إل إلخ).
النتيجة: الآن، عندما تعرض على الحاسوب تلك الصور الضلوية القليلة (البيانات التجريبية الشحيحة)، فإنه لا يبدأ من الصفر. بل يستخدم معرفته من الكتاب لتفسير الصور بشكل صحيح. هو يعلم أن: "آه، هذه البقعة الضبابية لا بد أن تكون كعكة منتفخة لأنني أعرف كيف تنتفخ الكعكات".
كيف فعلوا ذلك: التدريب على خطوتين
استخدم الباحثون تقنية تسمى التعلم الآلي البايزي (Bayesian Machine Learning). إليكم العملية التي استخدموها، مقسمة ببساভাবে:
الخطوة 1: تدريب "الكتاب المدرسي" (الاحتمال القبلي - The Prior): أخذوا نموذجاً فيزيائياً متطوراً (يسمى GEF) يحاكي الانشطار النووي بدقة بناءً على القوانين المعروفة. قاموا بتغذية هذا النموذج ببيانات مولدة أولاً في الحاسوب. خلق هذا "احتمالاً قبلياً ذكياً" — وهو خط أساس لما يجب أن تبدو عليه البيانات.
الخطوة 2: التعديل بناءً على "العالم الحقيقي" (الاحتمال البعدي - The Posterior): بعد ذلك، عرضوا على الحاسوب البيانات التجريبية الفعلية، الشحيحة والمبعثرة. ولأن الحاسوب كان يعرف بالفعل "قواعد اللعبة" من الخطوة 1، فقد استطاع تعديل فهمه ليتناسب مع البيانات الحقيقية دون أن يصاب بالارتباك أو يبتكر أشياء غير منطقية.
الخطوة 3: "التحقق المزدوج" (القيود - Constraints): استخدموا أيضاً خدعة ذكية. كانوا يعلمون أن "النواتج المستقلة" (كيف تتفتت القطع فوراً) و"النواتج التراكمية" (كيف تبدو القطع بعد تحللها بمرور الوقت) مرتبطان رياضياً. استخدموا هذا الرابط كـ شبكة أمان. إذا لم يتطابق تخمين الحاسوب للتحلل الفوري مع القواعد المعروفة للتحلل طويل الأمد، فإنه يُجبر على تصحيح نفسه.
ماذا وجدوا: تنبؤات أكثر ذكاءً
عندما اختبروا هذه الطة الجديدة على اليورانيوم-235 (وقود نووي شائع)، كانت النتائج مبهرة:
الدقة: كان "المساعد الذكي" (المدعوم بالفيزياء) أقرب بكثير إلى بيانات "المعيار الذهبي" من "المساعد الجاهل" (غير المدعوم بالفيزياء). انخفض معدل الخطأ من حوالي 5% إلى أقل من 1%.
فهم "التفاصيل الدقيقة": تحتوي البيانات النووية على تموجات وأنماط صغيرة (مثل اختلاف سلوك الأعداد الفردية والزوجة من الجسيمات). الطريقة القديمة أغفلت هذه التفاصيل، أما الطريقة الجديدة، وبسبب تعلمها لقواعد الفيزياء أولاً، استطاعت رؤية وتوقع هذه الأنماط الدقيقة بشكل صحيح.
السرعة: لأن الحاسوب بدأ بـ "تعليم مدرسي"، فقد تعلم البيانات الحقيقية بشكل أسرع وبارتباك أقل.
الخلا الخلاصة
تثبت هذه الورقة أنه لا يمكنك مجرد إلقاء البيانات على الحاسوب وتوقع أن يفهم الفيزياء النووية. يجب عليك تعليم الحاسوب قوانين الفيزياء أولاً.
من خلال الجمع بين نموذج فيزيائي نظري وبيانات من العالم الحقيقي، أنشأ الباحثون أداة يمكنها ملء الفجوات في البيانات المفقودة بثقة عالية. وهذا أمر بالغ الأهمية لتصميم أنظمة الطاقة النووية المستقبلية والأدوات الطبية، مما يضمن أن "وصفات" الوقود النووي دقيقة وآمنة وموثوقة، حتى عندما لا نملك بيانات تجريبية كافية للتحقق من كل خطوة.
ملخص تقني: التعلم الآلي البايزي المستند إلى الفيزياء للبيانات النووية المتفرقة وغير المكتملة
بيان المشكلة تواجه عملية استقاء البيانات القائمة على التعلم الآلي في الفيزياء النووية عقبات كبيرة بسبب ندرة البيانات التجريبية والعيوب المتأصلة (الضجيج، وعدم الاكمال، والتفاوتات) في مجموعات البيانات الموجودة. غالبًا ما تفشل النهج القائمة على البيانات فقط في استغلال القيمة القصوى للبيانات النادرة، مثل نواتج الانشطار الناجمة عن اصطدام النيوترونات، والتي تعد بالغة الأهمية لتطبيقات الطاقة النووية المتقدمة (مثل أنواع الوقود الجديدة، وإنتاج النظائر الطبية) ولكنها متوفرة بشكل نادر فقط عند طاقات سقوط محددة (حرارية، 0.5 ميجا إلكترون فولت، و14 ميجا إلكترون فولت). علاوة على ذلك، بينما تصف النظريات المجهرية (مثل TD-DFT وTD-GCM) جوانب معينة من الانشطار، إلا أنها تواجه صعوبة في إعادة إنتاج التوزيعات التفصيلية لنواتج الانشطار، كما تفتقر النماذج شبه التجريبية إلى الاعتماد الشامل على الطاقة. التحدي المحدد الذي يعالجه هذا العمل هو تقييم نواتج الانشطار المستقلة، والتي تمتلك نقاط بيانات مقاسة أقل من النواتج التراكمية، ولكنها ضرورية لعمليات دورة الوقود وفهم عمليات الانشطار.
المنهجية يقترح المؤلفون إطار عمل لـ التعلم الآلي البايزي المستند إلى الفيزياء الذي يدمج النماذج الفيزيائية مباشرة في عملية التعلم، وتحديدًا من خلال بناء احتمالات مسبقة (priors) غنية بالمعلومات. تتكون المنهجية من المكونات الرئيسية التالية:
إطار الشبكة العصبية البايزية (BNN): الهيكل الأساسي هو شبكة BNN تتكون من طبقتين خفيتين (22 عصبونًا لكل منهما) باستخدام دالة تنشيط tanh. تشمل المدخلات عدد الكتلة للكسرة (A)، وعدد الشحنة (Z)، وطاقة سقوط النيوترون (E). المخرج هو ناتج الانشطار المستقل Yi. يتم تحديد عدم اليقين عبر فاصل الثقة (CI) بنسبة 95% باستخدام أخذ عينات ماركوف تشين مونت كارلو (MCMC) لأوزان الشبكة.
الاحتمالات المسبقة المستندة إلى الفيزياء (التعلم بنقل المعرفة): بدلاً من البدء باحتمالات غير معلومة، يستخدم المؤلفون نموذجًا فيزيائيًا (نموذج GEF) لتوليد مجموعة بيانات ضخمة من النواتج المستقلة المعتمدة على الطاقة لـ 235U. يتم أولاً تدريب BNN على هذه البيانات المولدة (Dphys) للحصول على التوزيع اللاحق P(w1∣Dphys). ثم يُستخدم هذا التوزيع اللاحق كـ احتمال مسبق غني بالمعلوماتP(w2) للتقييم اللاحق للبيانات التجريبية المتفرقة (Dexpt). يساهم هذا النهج بفعالية في نقل المعرفة الفيزيائية الشاملة (بما في ذلك قوانين الحفظ، وتأثيرات القشرة، وتأثيرات الفردي-الزوجي) إلى الاستدلال البايزي.
القيود الفيزيائية عبر النواتج التراكمية: لمعالجة ندرة بيانات النواتج المستقلة، يدمج الإطار دمج البيانات غير المتجانسة. يتم ربط النواتج التراكمية، وهي الأكثر وفرة، بالنواتج المستقلة عبر مصفوفة تحويل (يتم تحديدها بواسطة اضمحلال بيتا). يتم فرض هذه العلاقة كقيد فيزيائي في دالة التكلفة (χ2)، مما يعاقب الانحرافات بين النواتج المستقلة المتوقدة والناتج التراكمي المقاس.
التدريب والتقييم: يتم تدريب النموذج على مزيج من البيانات التجريبية (من مكتبة EXFOR وتقييمات JENDL-5) ودالة الخسارة المقيدة فيزيائيًا. تستخدم عملية التدريب تسريع وحدة معالجة الرسومات (GPU).
النتائج الرئيسية تثبت الدراسة فعالية النهج المستند إلى الفيزياء من خلال عدة تحليلات مقارنة:
تحسين الدقة والتقارب: يتفوق "التعلم المستند إلى المعلومات" (باستخدام احتمالات GEF) بشكل كبير على "التعلم غير المستند إلى معلومات" (BNN القياسي). يبلغ انحراف التطبيع للتعلم المستند إلى المعلومات حوالي 0.22%، مقارنة بـ 5.3% للتعلم غير المستند إلى معلومات. علاوة على ذلك، تتقارب قيم الخسارة بشكل أسرع مع الاحتمالات المسبقة المستندة إلى المعلومات، بينما يظهر التعلم غير المستند إلى معلومات تقاربًا بطيئًا مع حالات عدم يقين كبيرة.
الاتساق الفيزيائي في الاعتماد على الطاقة: يعيد التعلم المستند إلى المعلومات إنتاج التطور الفيزيائي لنواتج الانشطار مع زيادة طاقة الإثارة بشكل صحيح. وتحديدًا، يلتقط الزيادة الأسية لقناة الانشطار المتماثل عند الطاقات المنخفضة والاندماج التدريجي لقمم الشحنة. في المقابل، يفشل التعلم غير المستند إلى معلومات في التقاط هذه الاتجاهات، حيث يظهر زيادات سريعة غير منطقية في النواتج المتماثلة عند الطاقات المنخفضة وهياكل دقيقة غير صحيحة.
إعادة إنتاج الهياكل الدقيقة: ينجح النهج المستند إلى المعلومات في استكمال الهياكل الدقيقة، مثل التذبذب الفردي-الزوجي في نواتج الشحنة. كما يتنبأ بشكل صحيح باختفاء التذبذب الفردي-الزوجي عند مستويات طاقة الإثارة المنخفضة (حوالي 6-10 ميجا إلكترون فولت اعتمادًا على كتلة الكسرة) مقارنة بالتعلم غير المستند إلى معلومات، وهو ما يتماشى مع التوقعات النظرية المتعلقة بارتباطات الازدواج عند درجات الحرارة المحددة.
فعالية القيود: يؤدي تضمين قيود النواتج التراكمية إلى تقليل قيم الخسارة بشكل كبير (على سبيل المثال، من 0.57 إلى 0.17 لنظائر معينة)، مما يثبت أن القيود تعمل بفعالية على استكمال معلومات الاعتماد على الطاقة، على الرغم من أن النواتج المستقلة والتراكمية متوافقة إلى حد كبير.
تحديد عدم اليقين: يوفر الإطار البايزي تقديرات قوية لعدم اليقين. يوفر التعلم المستند إلى المعلومات فترات ثقة أضيق تتوافق بشكل أفضل مع نقاط البيانات التجريبية (على سبيل المثال، عند 3 ميجا إلكترون فولت) مقارنة بفترات عدم اليقين الواسعة للنماذج غير المستندة إلى معلومات.
الأهمية والادعاءات يزعم البحث إثبات نهج "تعلم آلي بايزي حقيقي" يستغل المعرفة الفيزيائية الشاملة لاستغلال البيانات النووية المتفرقة والمكلفة. تكمن الأهمية الأساسية فيما يلي:
سد فجوة البيانات: من خلال استخدام النماذج الفيزيائية لتوليد احتمالات مسبقة غنية بالمعلومات، يتغلب هذا الأسلوب على قيود مجموعات البيانات الصغيرة، مما يسمح بتقييمات موثوقة لناتج الانشطار المستقل حيث تكون البيانات التجريبية نادرة للغاية.
التفوق على الأساليب القائمة على البيانات فقط: تظهر النتائج أنه بدون دمج المعلومات الفيزيائية (عبر الاحتمالات المسبقة أو القيود)، من المستحيل استغلال البيانات النادرة بالكامل أو إعادة إنتاج الظواهر الفيزيائية المعقدة مثل الهياكل الدقيقة والاعتماد غير الرتيب على الطاقة.
القابلية للتعميم: بينما يركز العمل على نواتج الانشطار، يفترض المؤلفون إمكانية توسيع هذا الإطار ليشمل مجالات أخرى في الفيزياء النووية ذات مجموعات البيانات غير المكتملة، مثل المقاطع العرضية للتفاعلات ومعادلة حالة المادة النووية.
الأتمتة والموضوعية: يقدم هذا النهج مسارًا نحو تقييم بيانات نووية مؤتمت وخالٍ من التحيز، مما يقلل من الاعتماد على التعديلات اليدوية التي يقودها الخبراء في إنشاء مكتبات البيانات النووية الموصى بها.
يخلص العمل إلى أن دمج النظريات والنماذج النووية الحالية في احتمالات التعلم الآلي أمر ضروري لتقدم تقييم البيانات في الفيزياء النووية في السنوات القادمة.