Diffusion-Based Point-Cloud Generation of Heavy-Ion Events

1. بيان المشكلة

تنتج تصادمات الأيونات الثقيلة عالية الطاقة (مثل Pb-Pb في مصادم الهادرونات الكبير LHC) حالات نهائية تحتوي على آلاف إلى عشرات الآلاف من الجسيمات. إن محاكاة هذه الأحداث باستخدام نماذج النقل التقليدية (مثل Pythia8 Angantyr) عملية مكثفة حوسبياً، مما يخلق عنق زجاجة.

• التحدي: تتطلب التحليلات الحديثة إحصائيات ضخمة للقياسات التفاضلية (النفثات، الارتباطات) وتعتمد على تقنيات "الأحداث المختلطة" (mixed-event) لتقدير الخلفيات. إن توليد مجموعات كافية من الأحداث المختلطة يستهلك مساحات تخزينية هائلة ومكلف حوسبياً.
• الهدف: تطوير نموذج توليدي سريع وعالي الدقة قادر على إنتاج أحداث أيونات ثقيلة واقعية عند الطلب. يجب أن يحافظ النموذج على:
  1. الخصائص العالمية للحدث (المركزية، الهندسة).
  2. كينماتيكا مستوى الجسيمات.
  3. الارتباطات متعددة الجسيمات (التدفق، البنية الفرعية للنفثات).
  4. التوافق التام مع أدوات إعادة البناء القياسية (مثل FastJet).

2. المنهجية

يقترح المؤلفون نموذجاً توليدياً قائماً على الانتشار (diffusion generative model) يعتمد على النقاط، مبني ضمن إطار عمل OmniLearn، باستخدام بنية Point-Edge Transformer (PET).

أ. بنية النموذج

يعامل النموذج الحالة النهائية كمجموعة متغيرة الطول من "رموز" (tokens) الجسيمات المشروطة بمعلومات مستوى الحدث. وهو يستخدم بنية ذات فرعين:

1. فرع الحدث (ResNet): شبكة ResNet-based MLP تولد متجهاً عالمياً للحدث $e$ (يحتوي على المركزية، بارامتر التصادم، متجهات التدفق، إلخ) من ضوضاء غاوسية.
2. فرع الجسيمات (PET): شبكة transformer تولد مجموعة الجسيمات $\{x_i\}$. وهي تستخدم جسم Point-Edge Transformer مع انحياز محلي (يعمل على تضمينات هندسية) ورأس توليد مشروط.
   • المدخلات: تينسور الجسيمات المضاف إليه الضوضاء $x_t$، زمن الانتشار $t$، متجه شرط الحدث $e$، وقناع الحشو $m$.
   • المخرجات: السرعة المتوقعة $v$ (باستخدام تمثيل $v$-parameterization) لعكس عملية الانتشار.

ب. استراتيجية التدريب: نهج مرحلتين

نظراً للاختلاف الهائل في التعددية بين تصادمات أكسجين-أكسجين (O-O، حوالي $10^3$ جسيم) وتصادمات رصاص-رصاص (Pb-Pb، حوالي $10^4$ جسيم)، وبسبب التوسع التربيعي في الذاكرة لشبكات الـ Transformers، فإن التدريب المباشر على Pb-Pb غير ممكن. لذا اعتمد المؤلفون استراتيجية من مرحلتين:

1. المرحلة الأولى (التدريب على O-O): تدريب النموذج الكامل على تصادمات O-O ($10^6$ حدث). هذا يؤسس تمثيلاً مستقراً للارتباطات بين الحدث والجسيم وهياكل التدفق في نظام ذي تعددية متوسطة.
2. المرحلة الثانية (ضبط دقيق لـ Pb-Pb): بدء التشغيل باستخدام أوزان نقطة تفتيش O-O ثم إجراء ضبط دقيق (fine-tuning) على تصادمات Pb-Pb ($10^5$ حدث).
   • القيد: بسبب حدود ذاكرة وحدة معالجة الرسومات (GPU) مع $N_{max} \sim 10^4$، تم تقليل حجم الدفعة (batch size) إلى 1 لكل رتبة (rank).
   • الخسارة المستندة إلى الفيزياء: فشل الضبط الدقيق الأولي في الحفاظ على ارتباطات التدفق لكل حدث (Q-vector) لأن خسارة MSE القياسية تعامل الجسيمات بشكل مستقل، كما أن إشارة التدرج تضاءلت بسبب التعددية العالية. قدم المؤلفون خسارة إضافية مستندة إلى الفيزياء ($L_\psi$) تعاقب صراحة عدم المحاذاة بين زاوية مستوى الحدث المعاد بناؤها والزاوية المشروطة. وقد استعاد هذا الإجراء البنية الدورانية (azimuthal structure) الجماعية.

ج. تمثيل البيانات

• متجه الحدث: 11 قيمة قياسية تشمل متوسط $p_T$، ومتجهات التدفق ($Q_x, Q_y$)، وزاوية مستوى الحدث، وبارامتر التصادم، والتعددية.
• رموز الجسيمات: متجهات مكونة من 6 أبعاد تحتوي على الإحداثيات النسبية ($\phi_{rel}, p_{T,rel}, \eta_{rel}$) والكينماتيكا المطلقة ($p_T, \eta, \phi$). تُعرف الإحداثيات النسبية بالنسبة لمتوسطات مستوى الحدث لاستقرار التعلم عبر التعدديات المتفاوتة.

3. النتائج الرئيسية

أ. أداء تصادمات O-O (المرحلة الأولى)

حقق النموذج إغلاقاً (closure) ممتازاً عبر العديد من الملاحظات:

• على مستوى الحدث والجسيم: طابقت التوزيعات المولدة للخصائص العالمية ($\langle p_T \rangle, \eta, \psi_2, N_{coll}$) وكينماتيكا الجسيمات بيانات التحقق (Angantyr) بنسب قريبة من الواحد الصحيح.
• الارتباطات:
  • التدفق: ارتباط خطي قوي ($\rho \approx 0.99$) بين متجهات Q الخاصة بالحدث المولد وتلك المعاد بناؤها من الجسيمات المولدة.
  • الجماعية: تم إعادة إنتاج التدفق الإهليلجي التفاضلي $v_2\{SP\}(p_T)$ بدقة.
  • الارتباطات السمتية: تم الحفاظ على توزيعات $\Delta\phi$ لثنائيات الجسيمات والارتباطات المعتمدة على الزناد (trigger).
• إعادة البناء اللاحقة (النفثات):
  • النفثات الشاملة: أظهر التجميع باستخدام FastJet (anti-$k_T, R=0.4$) توافقاً ممتازاً في $p_T$ للنفثة، والكتلة، وتعدد مكونات النفثة.
  • البنية الفرعية: تم إعادة إنتاج ملاحظات مثل إزاحة محور WTA، وتقليم Soft Drop، والزوايا الجانبية للنفثة بأمانة.
  • الخلفية: طابقت تقديرات كثافة خلفية الحدث الأساسي (UE) عينات التحقق.
• الدقة (Fidelity): أسفرت اختبارات المصنف (منحنيات ROC) عن مساحة تحت المنحنى (AUC) تبلغ $\approx 0.5$، مما يشير إلى أن الأحداث المولدة لا يمكن تمييزها عن البيانات الحقيقية.

ب. أداء تصادمات Pb-Pb (المرحلة الثانية)

• القابلية للتوسع: نجح النموذج الذي تم ضبطه بدقة في توليد أحداث ذات تعددية عالية ($N \sim 10^4$) بخصائص عالمية (بارامتر تصادم يصل إلى $b \sim 18, N_{coll} \sim 3000$) تغطي رتبة مقدار أكبر من O-O.
• الكينماتيكا: طابقت توزيعات $p_T, \eta, \phi$ للجسيمات بيانات التحقق، بما في ذلك طيف $p_T$ شديد الانحدار.
• استعادة التدفق: بدون الخسارة الإضافية، فشل النموذج في الحفاظ على تدفق كل حدث ($\rho_Q \approx 0.1$). ومع الخسارة المستندة إلى الفيزياء ($L_\psi$)، استُعيدت ارتباطات التدفق ($\rho_Q \approx 0.8$) وتحسنت المحاذاة الزاوية من 0.04 إلى 0.87 في 4 حقبات (epochs) فقط.
• إغلاق النفثات: ظلت ملاحظات النفثات ووكلاء خلفية UE متسقة مع بيانات التحقق، مما يدل على المتانة في بيئة Pb-Pb الكثيفة.

4. الأهمية والتأثير

• الكفاءة الحوسبية: يولد النموذج حدثاً من نوع O-O في حوالي 2.9 ثانية على وحدة معالجة رسومات واحدة من نوع NVIDIA A100. يمثل هذا تسريعاً بمقدار 1-2 رتبة مقدار مقارنة بنماذج النقل التقليدية، مما يجعل التوليد المحلي للتحليلات عالية السطوع أمراً قابلاً للتطبيق.
• الدقة العالية: ليس المولد مجرد مطابقة إحصائية؛ بل يحافظ على الهياكل الفيزيائية المعقدة بما في ذلك التدفق الجماعي، والبنية الفرعية للنفثات، والارتباطات متعددة الجسيمات، وهي أمور حاسمة للفيزياء الدقيقة.
• الابتكار المنهجي:
  • يثبت جدوى الانتشار القائم على النقاط (Point-Cloud Diffusion) للفيزياء عالية التعددية.
  • يقدم استراتيجية تدريب من مرحلتين لسد فجوات التعددية.
  • يسلط الضوء على ضرورة وجود خسائر مستندة إلى الفيزياء عندما تفشل الأهداف القائمة على البيانات في التقاط القيود الجماعية العالمية في الأنظمة عالية الأبعاد وذات التدرج المتناثر.
• التطبيقات المستقبلية: يوفر هذا النهج حلاً قابلاً للتوسع لتوليد مجموعات الأحداث المختلطة، مما يقلل تكاليف التخزين، ويسمح بالنماذج الأولية السريعة للتجارب المستقبلية مثل مرحلة السطوع العالي للمصادم (HL-LHC).

الخلاصة

تمثل هذه الورقة طفرة في محاكاة أحداث الأيونات الثقيلة، حيث أثبتت أن نماذج الانتشار المدمجة يمكنها توليد أحداث واقعية عالية التعددية تجتاز اختبارات التحقق الفيزيائي الصارمة. ومن خلال الجمع بين بنيات الـ transformer المتقدمة واستراتيجية تدريب من مرحلتين وضبط دقيق للخسارة الموجهة فيزيائياً، أنشأ المؤلفون أداة فعالة حوسبياً ودقيقة فيزيائياً، مما يمهد الطريق لتحليلات الأيونات الثقيلة في الجيل القادم.