⚛️ high-energy experiments

Searching for Anomalies with Foundation Models

تتقصى هذه الورقة البحثية شذوذات غير متوقعة في بيانات تجربة CMS حددها النموذج التأسيسي OmniLearned، حيث وجدت أنه بينما تؤدي تقديرات الخلفية بشكل جيد في مناطق التحقق، فإنها تفشل في نمذجة منطقة الإشارة بدقة، مما يستدعي دعوة لمزيد من التدقيق.

المؤلفون الأصليون: Vinicius Mikuni, Benjamin Nachman

نُشر 2026-03-26

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Vinicius Mikuni, Benjamin Nachman

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 أنك محقق يحاول العثور على مجرم غامض ونادر في مدينة ضخمة. المدينة مليئة بالناس العاديين الذين يقومون بأشياء طبيعية (مثل الذهاب إلى العمل أو التسوق)، لكنك تشتبه في وجود عصابة من الجواسيس تعمل في الخفاء وتقوم بشيء غريب.

هذا البحث يتحدث عن اثنين من المحققين (علماء) حاولا العثور على هؤلاء "الجواسيس" (فيزياء جديدة) في مجموعة بيانات ضخمة من تصادمات الجسيمات من مصادم الهادرونات الكبير (تجربة CMS). لقد استخدموا أداة متطورة للغاية تسمى نموذج التأسيس (Foundation Model)، وهو يشبه ذكاءً اصطناعيًا فائق الذكاء قد قرأ كل الكتب في المكتبة ليفهم كيف يسير العالم عادةً.

إليك قصة تحقيقهم، مقسمة ببساطة:

1. الإعداد: المحقق "المتعلم الشامل"

استخدم العلماء ذكاءً اصطناعيًا يسمى OmniLearned. فكر في هذا الذكاء الاصطناعي كمحقق درس الملايين من الصور لحركة المرور "الطبيعية". هو يعرف تمامًا كيف يبدو شكل السيارة العادية، أو الدراجة، أو المشاة.

المحقق الصغير: جربوا أولاً نسخة أصغر من هذا الذكاء الاصطناعي. لقد عمل بشكل رائع! فقد وجد "الكوارك القمي" (جسيم معروف، مثل العثور على نوع معين من السيارات) تمامًا حيث ينبغي أن يكون وفقًا للفيزياء.
المحقق الكبير: بعد ذلك، جربوا النسخة الكبيرة من الذكاء الاصطناعي، وهي أكثر ذكاءً بكثير وقد رأت بيانات أكثر بكثير. توقعوا أن تكون أفضل حالًا.

2. الخلل: "الضجيج الغريب"

عندما نظر المحقق الكبير إلى البيانات، وجد "الكوارك القمي"، لكنه بدأ أيضًا في الصراخ بشأن شيء آخر. لقد أشار إلى منطقة محددة في البيانات (جانب كتلة - mass sideband) حيث لم تبدُ الأرقام سلسة.

التشبيه: تخيل أنك تستمع إلى محطة راديو تبث موسيقى الجاز الهادئة. فجأة، سمع المحقق الكبير تشويشًا إيقاعيًا غريبًا في الخلفية. المحقق الصغير لم يسمعه؛ لكن المحقق الكبير سمعه.
فكر العلماء: "هل هذا جسيم جديد؟ أم أن الذكاء الاصطناعي مرتبك فحسب؟"

3. التحقيق: فحص الأدلة

للتأكد، كان على العلماء إجراء تدقيق جنائي كامل. لم يكن بإمكانهم مجرد الثقة في الذكاء الاصطناعي؛ كان عليهم إثبات أن "التشويش" ليس مجرد خلل في الراديو.

فحص الخلفية: استخدموا طريقة تسمى ABCD. تخيل أن لديك أربع غرف في منزل. أنت تعرف عدد الأشخاص في ثلاث منها. إذا كنت تعرف قواعد المنزل، يمكنك رياضيًا تخمين عدد الأشناص الذين يجب أن يكونوا في الغرفة الرابعة (الغرفة التي تحتوي على "الشذوذ").
النتيجة: في معظم الغرف، كانت الرياضيات تعمل بشكل مثالي. كان "الضجيج" مجرد تشويش خلفية طبيعي. لكن في الغرفة المحددة التي أشار إليها المحقق الكبير، فشلت الرياضيات. البيانات الفعلية لم تتطابق مع التوقعات. كان هناك "نتوء" غير متوقع في البيانات حول كتلة قدرها 150 جيجا إلكترون فولت (GeV).

4. المشتبه به: نظرية "الهيجز المزدوج"

بما أن رياضيات الخلفية لم تكن متوافقة، سأل العلماء: "ماذا لو كان هناك إشارة جديدة هنا؟"

اختبروا فرضية: هل يمكن أن يكون هذا بوزونات هيجز مزدوجة (جسيمان من هيجز تم إنتاجهما في آن واحد)؟
الملاءمة: عندما أضافوا هذا المشتبه به "الهيجز المزدوج" إلى نموذجهم، بدت البيانات الفوضوية فجأة أكثر ترتيبًا. كان الأمر يشبه وضع قطعة الأحجية المفقودة في مكانها.
العقبة: لجعل الرياضيات تعمل، كان عليهم افتراض وجود 4,000 ضعف من أحداث "الهيجز المزدوج" عما يتوقعه النموذج القياسي للفيزياء. هذا يشبه العثور على إبرة في كومة قش، لكن الإبرة هي في الواقع تمثال ذهبي ضخم. من غير المرجح إحصائيًا أن يكون هذا حقيقيًا، لكن النمط مريب.

5. التحول: دليل "البنية التحتية"

تعمق العلماء أكثر. نظروا في "البنية التحتية" (substructure) للجسيمات (كيف يتم حزم الطاقة داخل النفاثات/jets).

وجدوا أن الأحداث الغريبة لها بصمة محددة: أحد النفاثات كان ثقيلاً (حوالي 150 جيجا إلكترون فولت)، والآخر كان ثقيلاً أيضًا (أكثر من 100 جيجا إلكترون فولت).
كما تحققوا مما إذا كانت هذه النفاثات تحتوي على "كواركات قاعية" (نوع محدد من الجسيمات). وعندما قاموا بتصفية تلك النتائج، أصبح "الغرابة" أقوى.
الارتباك: جربوا استخدام أداة أخرى متخصصة مصممة خصيصًا للعثور على "الهيجز المزدوج". ومن المثير للدهشة، أن تلك الأداة لم ترَ نفس الأحداث الغريبة! فقط الذكاء الاصطناعي الضخم "OmniLearned" هو من رآها. هذا يشير إلى أن الذكاء الاصطناعي يلتقط نمطًا دقيقًا وغريبًا للغاية قد تغفله الأدوات المصممة من قبل البشر.

6. الخاتمة: "لا نعرف بعد"

ينتهي البحث بخاتمة صادقة للغاية:

الأخبار الجيدة: وجد الذكاء الاصطناي الكبير شيئًا فات على الذكاء الاصطناعي الصغير. نماذج الخلفية (فهمنا لما هو "طبيعي") لا يمكنها تفسير هذا النتوء المحدد في البيانات.
الأخبار السيئة: من المرجح أنه ليس جسيمًا جديدًا (بعد). الأرقام متطرفة للغاية، والأدوات الأخرى لا ترى ذلك.
الغموض: قد يكون الذكاء الاصطناي الكبير "يهلوس" (يرى أنماطًا ليست موجودة)، أو قد يكون بصدد اكتشاف خلل دقيق للغاية في نماذجنا الفيزيائية الحالية.

الخلاصة:
العلماء يدعون بقية العالم للنظر في هذا "الخلل". إنهم يقولون: "لدينا إشارة غريبة لا تستطيع نماذجنا الأفضل تفسيرها. قد يكون خطأ في رياضياتنا، أو قد يكون أول تلميح لشيء جديد. يرجى المجيء والمساعدة في معرفة الأمر!"

إنها تذكير بأنه في العلم، أحيانًا تبدأ أكثر الاكتشافات إثارة بضجيج غريب لا يستطيع أحد غيرك سماعه.

إليك ملخص تقني مفصل لورقة البحث "البحث عن الشذوذ باستخدام النماذج التأسيسية" (Searching for Anomalies with Foundation Models).

1. بيان المشكلة

تتناول الورقة تحدي كشف الشذوذ (Anomaly Detection - AD) في فيزياء الطاقات العالية، وتحديداً في سياق بيانات مصادم الهادونات الكبير (LHC) من تجربة CMS.

السياق: أظهرت النماذج التأسيسية (Foundation Models)، مثل نموذج OmniLearned، إمكانات واعدة في تحديد الظواهر الفيزيائية النادرة وغير المعروفة من خلال تعلم التمثيلات من مجموعات بيانات ضخمة دون تدريب صريح على الإشارة.
المشكلة: أظهرت الأعمال السابقة أن نماذج OmniLearned الصغيرة والمتوسطة الحجم يمكنها بنجاح "إعادة اكتشاف" الكوارك القمي ( $t\bar{t}$ ) كشذوذ. ومع ذلك، عندما تم تطبيق نموذج OmniLearned الكبير (الذي يحتوي على حوالي 250 ضعف عدد المعلمات) على المهمة نفسها، أظهر سلوكاً غير متوقع. وتحديداً، اختار النموذج أحداثاً أدت إلى طيف كتلة غير سلس في مناطق "النطاق الجانبي" (sideband regions)، مما شكل انحرافاً عن توزيع الخلفية السلس المتوقع.
الهدف: يهدف المؤلفون إلى إجراء تحليل كامل وصارم لفضاء الطور الذي اختاره النموذج الكبير لتحديد ما إذا كانت الشذوذات الملحوظة تمثل فيزياء جديدة، أم فشلاً في النمذجة، أم تقلبات إحصائية.

2. المنهجية

تستخدم الدراسة بيانات CMS المفتوحة لعام 2016 (13 TeV، 16.39 fb $^{-1}$ ) وتعتمد نهجاً شاملاً قائماً على البيانات مدمجاً مع التحقق من المحاكاة.

البيانات والمحاكاة

البيانات: تصادمات بروتون-بروتون تركز على أزواج النفاثات ذات الزخم المستعرض العالي ( $p_T$ ).
المحاكاة: تشمل عمليات QCD متعددة النفاثات (LO)، و $t\bar{t}$ (NLO)، والقمة المفردة (Single Top)، و $W/Z$ +Jets، وDibosons، وعمليات هيجز (Higgs). تستخدم المحاكاة أدوات MadGraph5_aMC@NLO، وPOWHEG-BoxV2، وPythia8، مع Geant4 لمحاكاة الكاشف.
اختيار الأحداث:
- زوج من النفاثات ذات نصف قطر كبير ( $R=0.8$ ) بزخم مستعرض $p_T > 450$ GeV و $|\eta| < 2.5$ .
- كتلة الدروب الناعم (soft drop mass - $m_{SD}$ ) أكبر من 60 GeV.
- استبعاد الأحداث التي تحتوي على ميونات أو إلكترونات معزولة.

درجة الشذوذ (Anomaly Scoring)

يتم اشتقاق درجة الشذوذ من نموذج OmniLearned التأسيسي.
تُعرف الدرجة بأنها مجموع تنبؤات الفئات للمخرجات (لتحللات 2-، 3-، أو 4-prong jets) مقسوماً على مجموع الفئات المرتبطة بنفاثات QCD.
تقارن التحليلات النتائج بين نموذجي OmniLearned الصغير والكبير.

تقدير الخلفية (طريقة ABCD)

لتجنب الاعتماد على محاكاة QCD التي قد تكون غير موثوقة في منطقة الإشارة، يستخدم المؤلفون طريقة ABCD القائمة على البيانات:

المتغيرات: يتم استخدام متغيرين مستقلين:
1. درجة شذوذ النفاثة الرائدة (leading jet).
2. درجة شذوذ النفاثة التابعة (subleading jet).
المناطق: تحدد هذه المتغيرات أربع مناطق (A، B، C، D). المنطقة A (منطقة الإشارة) تحتوي على الأحداث التي تتجاوز فيها كلتا النفاثتين عتبة الشذوذ العالية.
التحقق: يتم التحقق من الطريقة باستخدام محاكاة QCD لضمان صحة العلاقة $N_A = (N_B \times N_C) / N_D$ .
تقسيم الـ Subjettiness: يتم تقسيم التحليل أيضاً حسب متغير $\tau_{21}$ (وهو مقياس للبنية الجزئية للنفاثة) للفصل بين النفاثات الشبيهة بالقمة ( $\tau_{21} < 0.45$ ) ونفاثات QCD العامة ( $\tau_{21} > 0.45$ ). وهذا ينشئ 8 مناطق مستقلة للقياس المتزامن.

الإطار الإحصائي

يتم إجراء ملاءمة (fit) لأقصى احتمالية مجمعة باستخدام أداة COMBINE.
يتم تضمين عدم اليقين المنهجي (مثل مقياس طاقة النفاثة، الدقة، اللمعان، المقاييس النظرية) كمعلمات إضافية (nuisance parameters).
تُستخدم اختبارات جودة الملاءمة (GOF) باستخدام إحصائيات الاختبار المشبعة لتقييم توافق النموذج.

3. المساهمات الرئيسية

نمذجة خلفية كاملة: على عكس دراسات كشف الشذوذ السابقة التي افترضت خلفيات سلسة، توفر هذه الورقة تقديراً كاملاً للخلفية يعتمد على البيانات مع تحديد دقيق لعدم اليقين لفضاء الطور الذي اختاره نموذج تأسيسي كبير.
تحديد التباين: يوضح المؤلفون أنه بينما نجح نموذج OmniLearned الصغير في تحديد ذروة الكوارك القمي مع خلفية سلسة، فإن نموذج OmniLearned الكبير اختار مجموعة من الأحداث حيث تفشل خلفية النموذج القياسي (SM) في وصف البيانات، خاصة في النطاق الجانبي منخفض الكتلة.
اختبار الفرضيات: تختبر الورقة بشكل منهجي فرضيات إشارات مختلفة (بما في ذلك إنتاج Di-Higgs) مقابل الشذوذ الملحوظ لمعرفة ما إذا كان يمكن حل هذا التباين.
التحقق المتقاطع: يقارن المؤلفون اختيار OmniLearned مع مُصنف (tagger) مخصص لـ $X \to b\bar{b}$ للتحقق من الاتساق في خصائص البنية الجزئية للنفاثة.

4. النتائج

أداء النموذج الصغير

نجح النموذج الصغير في إعادة اكتشاف ذروة الكوارك القمي ( $m_{SD} \approx 172$ GeV).
وصف تقدير الخلفية (ABCD) البيانات بشكل جيد في جميع المناطق، مع قيمة p-value لجودة الملاءمة بلغت 0.588، مما يشير إلى الاتساق مع توقعات النموذج القياسي.

أداء النموذج الكبير

الكوارك القمي: يُظهر النموذج الكبير أيضاً ذروة للكوارك القمي، لكنها أقل وضوحاً بسبب وجود فائض كبير في النطاق الجانبي منخفض الكتلة.
عدم تطابق الخلفية: يفشل نموذج الخلفية المعتمد على النموذج القيعي فقط في وصف البيانات في منطقة الإشارة (تحديداً حيث $\tau_{21} < 0.45$ ). أعطى اختبار GOF قيمة p-value بلغت 0.092، مما يشير إلى وجود توتر بين البيانات وتوقعات النموذج القياسي.
الشذوذ: يظهر هيكل غير متوقع حول 150 GeV في كتلة الدروب الناعم (soft drop mass) للنفاثة الرائدة.
- عند الملاءمة باستخدام قالب إشارة Di-Higgs ( $HH$ ) (بمقياس قدره 4000 لمطابقة الفائض)، تتحسن عملية الملاءمة بشكل كبير.
- تصل دلالة (significance) فرضية $HH$ الملحوظة إلى 2.38 $\sigma$ (كخط أساس) وتزدرت إلى 3.92 $\sigma$ عند اشتراط أن تكون كتلة النفاثة التابعة $> 100$ GeV.
- يؤدي إضافة شرط b-tagging إلى زيادة الدلالة لتصل إلى 4.11 $\sigma$ .

التحقق والقيود

مُصنف $X \to b\bar{b}$ : عندما تم استبدال درجة الشذوذ بمُصنف $X \to b\bar{b}$ قياسي (مدرب على نفاثات $b$ عامة)، يختفي الفائض، وتصبح البيانات متسقة مع فرضية الخلفية فقط (الدلالة $\approx 1.02\sigma$ ).
التداخل: فقط 20–30% من الأحداث التي اختارها نموذج OmniLearned الكبير يتم اختيارها أيضاً بواسطة مُصنف $X \to b\bar{b}$ . يشير هذا إلى أن النموذج الكبير يختار أحداثاً ذات خصائص فريدة في البنية الجزئية للنفاثة لا يلتقطها مُصنفات $b$ القياسية.
كتلة الدي جيت (Dijet Mass): لا يظهر توزيع كتلة الدي جيت (dijet invariant mass) ذروة رنين واضحة تقابل فائض كتلة النفاثة البالغ 150 GeV، مما يشير إلى أن الشذوذ قد لا يكون رنيناً بسيطاً أو أن الكينماتيكا معقدة.

5. الأهمية والخاتمة

الأثر العلمي: تسلط الورقة الضوء على قصور حرج في الثقة العمياء في النماذج التأسيسية الكبيرة لكشف الشذوذ دون التحقق الصارم من الخلفية. يبدو أن "شذوذ" النموذج الكبير هو اختيار محدد لأحداث لا تستطيع نماذج خلفية النموذج القياسي (ومُصنفاتها القياسية) تفسيرها.
طبيعة الفائض: بينما يحاكي الفائض كينماتيكا إنتاج Di-Higgs (تحديداً في كتلة النفاثة)، فإن المؤلفين لا يدعون وجود دليل على فيزياء جديدة. المقطع العرضي المطلوب يتجاوز الحدود الحالية بكثير، وعدم الارتباط مع تصنيف $b$ -tagging القياسي يشير إلى أن الأحداث قد تكون تقلبات إحصائية، أو خطأ في المحاكاة، أو تأثيراً دقيقاً من الكاشف.
دعوة للعمل: يدعو المؤلفون المجتمع العلمي لفحص هذه الأحداث والأساليب المستخدمة بدقة. ويؤكدون أن النتائج محدودة بحجم مجموعة البيانات (16.39 fb $^{-1}$ ) وأن هناك حاجة لمجموعات بيانات أكبر لتأكيد أو دحض وجود هذا الشذوذ.
العلم المفتوح: تم جعل جميع الأكواد والبيانات متاحة للجمهور لتسهيل المزيد من الاستقصاء.

باختصار، يعد هذا العمل دراسة مرجعية توضح أنه بينما تعد النماذج التأسيسية أدوات قوية لكشف الشذوذ، إلا أنها يمكن أن تنتج اختيارات غير متوقعة تتحدى النمذجة القياسية للخلفية، مما يستلزم تحققاً عميقاً قائماً على البيانات قبل ادعاء وجود فيزياء جديدة.