⚛️ high-energy experiments

Enabling Low-Latency Machine learning on Radiation-Hard FPGAs with hls4ml

تستعرض هذه الورقة حلاً متكاملاً لنشر تعلم آلي فائق انخفاض زمن التأخير ومقاوم للإشعاع على مصفوفات البوابات المنطقية القابلة للبرمجة (FPGAs) عبر تطوير مشفر تلقائي خفيف الوزن لمكشاف "بيوكال" (PicoCal)، وتنفيذ استراتيجية تكميم مدركة للأجهزة، وتوسيع مكتبة "hls4ml" عبر إضافة خلفية برمجية جديدة لأجهزة "Microchip Polarfire" لتحقيق زمن تأخير قدره 25 نانو ثانية.

المؤلفون الأصليون: Katya Govorkova, Julian Garcia Pardinas, Vladimir Loncar, Victoria Nguyen, Sebastian Schmitt, Marco Pizzichemi, Loris Martinazzoli, Eluned Anne Smith

نُشر 2026-08-03

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Katya Govorkova, Julian Garcia Pardinas, Vladimir Loncar, Victoria Nguyen, Sebastian Schmitt, Marco Pizzichemi, Loris Martinazzoli, Eluned Anne Smith

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل الكون ككاميرا عملاقة عالية السرعة لا تتوقف عن الالتقاط أبداً. في كل ثانية، تصطدم الذرات ببعضها البعض في مصادمات الجسيمات بسرعة تقترب من سرعة الضوء، مما يخلق عاصفة من الجسيمات الجديدة. المشكلة ليست فقط في كثرة الصور؛ بل في أن الكاميرا تقع وسط عاصفة إشعاعية. في هذه البيئة، تتعرض الإلكترونيات التي تلتقط الصور لقصف مستمر من الأشعة الكونية والجسيمات التي يمكن أن تشوش ذاكرتها، مما يجعلها تنسى ما كانت تفعله، أو للأسوأ، تخترع بيانات وهمية. ولحل هذه المشكلة، يحتاج العلماء إلى طريقة لمعالجة هذه الصور فوراً، في نفس مكان حدوث الانفجار، دون إرسال كل البيانات الخام إلى حاسوب بعيد. إنهم بحاجة إلى "مرشح ذكي" يكون سريعاً بما يكفي لمواكبة الفوضى، وصغيراً بما يكفي ليتسع داخل شريحة ضئيلة، وقوياً بما يكفي للنجاة من الإشعاع دون أن يتأثر. هذا هو تحدي "الحوسبة الطرفية" (edge computing) في فيزياء الطاقات العالية: جعل الآلات تفكر بنفسها في أكثر الأماكن عدائية على وجه الأرض.

تخبرنا هذه الورقة البحثية قصة كيف بنى فريق من العلماء هذا النوع من المرشحات الذكية بالضبط لتجربة مستقبلية تسمى LHCb Upgrade II. لقد عالجوا مشكلة محددة: ستنتج الكواشف الجديدة تدفقاً هائلاً من "أشكال النبضات" (pulse shapes) — وهي خطوط متعرجة تمثل ضربات الطاقة — والتي تكون أكبر من أن تُرسل عبر الأسلاك. احتاج الفريق إلى ضغط هذه الخطوط المتعرجة في حزمة صغيرة جداً دون فقدان التفاصيل المهمة اللازمة لمعرفة ما حدث. لقد ابتكروا نوعاً خاصاً من الذكاء الاصطناعي يسمى "المشفر التلقائي" (autoencoder). فكر في هذا الأمر كفنان ضغط رقمي ينظر إلى خط متعرج معقد مكون من 32 نقطة، ويتعلم وصفه باستخدام رقمين فقط. إنه يشبه أخذ لوحة مفصلة وتلخيص جوهرها في "إيموجي" واحد مثالي لا يزال يخبرك بالضبط عن موضوع اللوحة.

لكن كانت هناك عقبة. فالأدوات القياسية التي يستخدمها العلماء لتحويل نماذج الذكاء الاصطناعي هذه إلى كود برمجي لا تعمل مع الرقائق الخاصة المقاومة للإشعاع المطلوبة لهذه المهمة. هذه الرقائق تختلف عن تلك الموجودة في هاتفك؛ فهي مصممة لتنجو من العاصفة الإشعاعية دون الحاجة إلى "حراس شخصيين" إضافيين (دوائر زائدة) قد يبطئون عملها. اضطر المؤلفون إلى بناء أداة ترجمة جديدة تماماً، "خلفية برمجية" (backend)، لتعليم الذكاء الاصطناعي كيف يتحدث لغة هذه الرقائق القوية. لقد اختبروا فكرتهم باستخدام عمليات المحاكاة ثم بنوها على شريحة حقيقية تسمى Microchip PolarFire. والنتيجة؟ نجح الذكاء الاصطناعي في ضغط البيانات في 25 نانو ثانية فقط (أي 0.000000025 ثانية)، وهو ما يكفي لمواكبة الـ 40 مليون تصادم تحدث كل ثانية.

اكتشف الفريق أيضاً أن "فنان الضغط" الخاص بهم لم يكتفِ بتقليص البيانات فحسب، بل قام بتنظيفها أيضاً. فعندما حاولوا قياس الوقت الدقيق لوصول جسيم ما باستخدام البيانات المضغوطة، كانت النتيجة أكثر دقة مما هي عليه عند استخدام الخطوط المتعرجة الأصلية الفوضوية. وذلك لأن الذكاء الاصطناعي قام بتنعيم السكون والضجيج، ليعمل بمثابة سماعات إلغاء الضجيج لفيزياء الجسيمات. ووجدوا أنه يمكنهم تقليل تعقيد النموذج بشكل كبير، باستخدام أرقام مكونة من 10 بت فقط (كمية صغيرة جداً من الدقة الرقمية) دون فقدان أي معلومات فيزيائية مهمة. وهذا يعني أن النموذج خفيف الوزن لدرجة أنه يمكنه العيش بالكامل داخل "المنطقة الآمنة" للشريحة، محمياً من الإشعاع بفضل تصميم الشريحة نفسه.

تؤكد الورقة أن هذا النهج يعمل، لكنها تضع أيضاً حدوداً واضحة. فقد أظهر الفريق أن طريقة الضغط هذه قابلة للتطبيق في تجربة LHCb، لكنهم لم يدّعوا أنها تحل كل مشكلة في الكون. وقد أشاروا صراحة إلى أنه بينما تعمل طريقتهم مع أشكال النبضات التي قاموا بمحاكاتها، فإن الأداء النهائي قد يتغير قليلاً اعتماداً على النسخة المحددة من "الديجيتالايزر" (المحول الرقمي) المستخدم في التجربة الحقيقية. كما استبعدوا فكرة أن يكون نموذجاً أبسط، يتنبأ بالوقت فقط ويتجاهل الشكل، أفضل حالاً؛ حيث أظهرت اختباراتهم أن الاحتفاظ بمعلومات الشكل، حتى في شكل مضغوط، أمر بالغ الأهمية لرصد الأحداث الغريبة والتعامل مع الظروف المزدحمة داخل المصادم.

في النهاية، هذا العمل هو إثبات للمفهوم. فهو يوضح أنه يمكنك أخذ نموذج تعلم آلي معقد، وتقليصه ليصبح بحجم ضئيل ومقاوم للإشعاع، وجعله يعمل بسرعة فائقة على شريحة يمكنها النجاة من عاصفة نووية. ويؤكد المؤلفون بحذر أنه بينما تبدو التوقيتات والضغط ممتازين في اختباراتهم، فإن الاختبار الحقيقي سيأتي عندما يتم دمج هذا في التحليل الفيزيائي الكامل للتجربة. لقد صنعوا المحرك، لكن السيارة لا تزال بحاجة إلى القيادة على المضمار الحقيقي. ومع ذلك، فإن الجزء الأكثر ديمومة في عملهم قد يكون أداة الترجمة الجديدة التي بنوها. فمن خلال فتح الباب أمام العلماء الآخرين لاستخدام هذه الرقائق القوية في مشاريع الذكاء الاصطناعي الخاصة بهم، فقد قدموا للمجتمع مفتاحاً جديداً لفتح آفاق تجارب أسرع، وأذكى، وأكثر مرونة في المستقبل.

أبحاث مشابهة