⚛️ phenomenology

Lecture notes on Machine Learning applications for global fits

تقدم هذه الورقة إطاراً شاملاً لتسريع عمليات الملاءمة العالمية في فيزياء الطاقات العالية عبر توظيف بدائل التعلم الآلي، وتحديداً أشجار القرار المعززة المدربة عبر التعلم النشط، لتقريب دالات الأرجحية اللوغاريتمية واستكشاف فضاءات المعلمات بكفاءة، كما هو موضح في تطبيق على شذوذ $B^\pm \to K^\pm \nu \bar{\nu}$ والجسيمات الشبيهة بالأكسيون في تجربة Belle II.

المؤلفون الأصليون: Jorge Alda

نُشر 2026-04-10

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Jorge Alda

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

الصورة الكبيرة: البحث عن إبرة في كومة قش (تشتعل فيها النيران)

تخيل أنك عالم فيزياء تحاول العثົດ على جسيم جديد غير مرئي (لنسمِّه "الأكسيون") قد يفسر خللاً غريباً في الكون. للقيام بذلك، عليك بناء نموذج رياضي ضخم يحتوي على عشرات الأزرار والمقابض (المعلمات). تحتاج إلى تدوير هذه المقابض للعثور على الإعداد المثالي حيث يتطابق نموذجك مع البيانات الواقعية التي جمعها تجربة Belle II في اليابان.

المشكلة:
في الأيام الخوالي، كان العثور على الإعدادات الصحيحة يشبه محاولة العثور على درجة الحرارة المثالية لـ "سوفليه" عبر خبز كعكة واحدة، فحصها، تعديل الفرن، ثم خبز كعكة أخرى.

العقبة: في كل مرة "تخبز فيها كعكة" (تحسب تنبؤاً)، يستغرق الأمر 10 ثوانٍ.
النطاق: للعثور على الإعداد المثالي، قد تحتاج لخبز 100,000 كعكة. هذا يعني أكثر من 27 ساعة من الخبز المتواصل. وإذا أردت أن تكون دقيقاً للغاية، فقد يستغرق الأمر أسابيع. هذا بطيء جداً.

الحل:
تعلم هذه الورقة الفيزيائيين كيفية توظيف مساعد طباخ ذكي وسريع جداً (التعلم الآلي) لتذوق الخليط وتخمين النتيجة فوراً، حتى لا تضطر لخبز الكعكة فعلياً في كل مرة.

الوصفة خطوة بخطوة

1. "المتذوق الذكي" (التعلم النشط والعمليات الغاوسية)

لا يمكنك مجرد رمي السهام عشوائياً على نموذجك لترى ما سيحدث؛ فهذا غير فعال. بدلاً من ذلك، تقترح الورقة استخدام متذوق ذكي.

كيف يعمل: تخيل أنك تستكشف كهفاً مظلماً. أنت لا تسير عشوائياً. تأخذ خطوة، تستمع لصوت ما، ثم تقرر: "هل أتعمق أكثر هنا (الاستغلال - Exploitation) أم أتفقد تلك الزاوية المظلمة هناك حيث لست متأكداً مما يحدث (الاستكشاف - Exploration)؟"
الأداة: يستخدم الذكاء الاصطناعي "عملية غاوسية" (Gaussian Process) لتخمين أين توجد أفضل الإعدادات وأين يشعر بالارتباك. هو يطلب منك فقط تشغيل الحساب المعقد الذي يستغرق 10 ثوانٍ في المواضع الأكثر إثارة للاهتمام. هذا يوفر عليك خبز 99% من الكعكات التي لا تحتاجها.

2. "الطباخ سريع القراءة" (أشجار القرار المعززة / XGBoost)

بمجرد حصولك على مجموعة بيانات صغيرة وعالية الجودة من "الكعكات المخبوزة" (نقاط البيانات)، فأنت بحاجة لتعليم الذكاء الاصطناعي التنبؤ بنتيجة أي إعداد جديد فوراً.

التشبيه: فكر في شجرة القرار كلعبة "20 سؤالاً".
- السؤال 1: هل تم تدوير المقبض لأكثر من 5؟ (نعم/لا)
- السؤال 2: هل المقبض الآخر أحمر؟ (نعم/لا)
- النتيجة: "حسناً، إذا فعلت هذا، ستكون الكعكة لذيذة".
الأشجار المعززة: لعبة "20 سؤالاً" واحدة ليست ذكية بما يكفي. لذا، يبني الذكاء الاصطناعي فريقاً من 500 لعبة بسيطة من هذه الألعاب. إنهم يصوتون على الإجابة. هذا الفريق (يسمى XGBoost) يصبح دقيقاً للغاية في التنبؤ بالنتيجة دون تشغيل رياضيات الفيزياء المعقدة فعلياً. إنه يحول عملية حسابية مدتها 10 ثوانٍ إلى تخمين في ميكروثانية.

3. "المترجم" (قيم SHAP)

غالباً ما يكون الذكاء الاصطناعي "صندوقاً أسود" — تضع أرقاماً، فيخرج رقم، لكنك لا تعرف لماذا. يكره الفيزيائيون هذا لأنهم بحاجة لفهم قوانين الطبيعة.

التشبيه: تخيل أن الذكاء الاصطناعي هو طباخ يقول: "هذه الكعكة مثالية". فتسأله: "لماذا؟"
الأداة: تعمل قيم SHAP كمترجم. فهي تفكك قرار الطباخ: "الكعكة مثالية لأنك أضفت القدر المناسب من السكر (المعلمة أ)، ولكنك استخدمت الكثير جداً من الدقيق (المعلمة ب)، مما ألغى الطعم السيئ".
هذا يسمح للفيزيائيين برؤية أي "المقابض" هي التي تقود النتائج وما إذا كان الذكاء الاصطناعي منطقياً من الناحية الفيزيائية.

4. "صانع الخرائط" (أخذ عينات MCMC)

الآن بعد أن أصبح بإمكان الذكاء الاصطناعي التنبؤ بالنتائج فوراً، يريد الفيزيائيون رسم خريطة لـ كامل مشهد الاحتمالات. هم لا يريدون فقط معرفة الإعداد "الأفضل"، بل أيضاً الإعدادات "الجيدة" ومدى احتمالية حدوثها.

التشبيه: تخيل إرسال 20 متنزهاً (مشيّاً) في مساحة المعلمات. هم يتجولون، لكنهم أذكياء. إذا وجدوا جبلاً عالياً (تطابق جيد)، يبقون هناك لفترة أطول. إذا وجدوا مستنقعاً (تطابق سيء)، يغادرون.
النتيجة: بعد فترة، يشكل المتنزّهون سحابة. الجزء الأكثر كثافة في السحابة يوضح لك أين يختبئ "الجواب الحقيقي" على الأرجح. هذا ما يسمى MCMC (مونت كارلو لسلاسل ماركوف). ولأن الذكاء الاصطناعي سريع جداً، يمكن للمتنزّهين استكشاف سلسلة الجبال بأكملها في دقائق بدلاً من سنوات.

الاختبار في العالم الحقيقي: لغز "الطاقة المفقودة"

تطبق الورقة كل هذه الأدوات على لغز محدد: شذوذ $B^{\pm} \to K^{\pm}\nu\bar{\nu}$ .

اللغز: رصدت تجربة Belle II اضمحلال ميزون B إلى كاون و"طاقة مفقودة" (نيوترينوهات) بشكل أكثر مما يتوقعه النموذج القياسي للفيزياء. إنه تلميح بقوة 2.7 سيجما (همسة قوية، لكنها ليست صرخة) بأن شيئاً جديداً يحدث.
المشتبه به: جسيم خفيف وغير مرئي يسمى الجسيم الشبيه بالأكسيون (ALP).
التحدي: يجب أن يكون الـ ALP ثقيلاً بما يكفي لتفسير البيانات، ولكن يجب أن يكون أيضاً "طويل العمر" (مستقراً) حتى لا يتحلل بسرعة كبيرة ويتم رصده بواسطة تجارب أخرى. إنه توازن دقيق.
النجاح: باستخدام أدوات التعلم الآلي الموصوفة أعلاه، بنى المؤلفون نموذجاً تنقل في هذا التوازن الدقيق. لقد وجدوا مجموعة محددة من "المقابض" (الاقترانات) التي تفسر بيانات Belle II مع الحفاظ على استقرار الـ ALP بما يكفي للاختباء من الكواشف الأخرى.

لماذا هذا مهم؟

هذه الورقة ليست مجرد بحث عن جسيم واحد؛ إنها عن طريقة جديدة لممارسة العلم.

السرعة: تحول أسابيع من الحوسبة إلى دقائق.
الوضوح: تمنع الذكاء الاصطناعي من أن يكون صندوقاً أسود سحرياً وتجعله أداة شفافة يمكن للعلماء الوثوق بها.
الاستعداد للمستقبل: مع ازدياد حجم التجارب وتعقيد بياناتها، لا يمكننا تحمل الانتظار لأسابيع من أجل الإجابات. نحن بحاجة إلى "مساعدي الطهاة" هؤلاء لمساعدتنا في العثور على الاكتشاف الكبير التالي في الكون.

باختصار: علم المؤلفون الكمبيوتر كيف يتعلم قواعد الكون بسرعة فائقة لدرجة أنه يمكنه مساعدة الفيزيائيين في العثور على جسيمات جديدة قبل أن ينفد منهم القهوة.

إليك ملخص تقني مفصل لمحاضرة "تطبيقات تعلم الآلة في الملاءمة العالمية" (Machine Learning applications for global fits) لخورخي ألدا.

1. بيان المشكلة

في فيزياء الطاقات العالية (HEP)، تُعد الملاءمات الإحصائية العالمية (global statistical fits) ضرورية لاختبار النماذج النظرية مقابل البيانات التجريبية. تعتمد هذه الملاءمات على دالة الإمكانية (likelihood function) $L(\theta)$ ، التي تقيس احتمالية رصد البيانات بناءً على مجموعة من معلمات النموذج $\theta$ .

عنق الزجاجة: تتطلب عمليات التقليل (minimization) والمسح التقليدية لدالة الإمكانية آلاف التقييمات. في العديد من السيناريوهات الحديثة (مثل نظرية المجال الفعال للنموذج القياسي SMEFT أو نماذج الفيزياء الجديدة)، تتضمن عملية حساب تنبؤات النموذج $x_i(\theta)$ عمليات مكلفة حاسوبياً، مثل التكامل العددي لمعادلات مجموعة إعادة التطبيع (RGEs).
النتيجة: تجعل التكلفة الحسابية عملية التقليل التقليدية أمراً غير مجدٍ، مما يمنع الاستكشاف الشامل لفضاء المعلمات، خاصة عند التعامل مع مراقبات غير غاوسية أو ارتباطات معقدة.

2. المنهجية

يقترح البحث إطار عمل شامل لـ النموذج البديل باستخدام تعلم الآلة (ML surrogate framework) لتقريب دالة اللوغاريتم الاحتمالي (log-likelihood)، وبالتالي تجاوز الحاجة إلى تكرار الحسابات المكلفة. يتكون سير العمل من أربع مراحل رئيسية:

أ. التعلم النشط لتوليد البيانات

لتقليل عدد تقييمات الإمكانية المكلفة المطلوبة لبناء مجموعة بيانات التدريب، يستخدم المؤلف التعلم النشط (Active Learning):

الاستراتيجية: تبدأ بمجموعة بيانات أولية صغيرة (مثل أخذ عينات مصفوفة اللاتيني الهيبركيوب - Latin Hypercube sampling). تقوم خوارزمية تعلم الآلة باختيار نقاط جديدة للتقييم بشكل تكراري بناءً على المقايضة بين:
- الاستغلال (Exploitation): أخذ عينات بالقرب من الأمثل الحالي (أعلى إمكانية).
- الاستكشاف (Exploration): أخذ عينات في المناطق ذات عدم اليقين العالي.
الأداة: تُستخدم العمليات الغاوسية (GP) كنموذج بديل خلال هذه المرحلة لأنها توفر تنبؤاً وتقديراً لعدم اليقين في آن واحد.
دالة الاستحواذ (Acquisition Function): تُستخدم دالة التحسين المتوقع (EI) لاختيار النقطة المرشحة التالية، مما يوازن بين إمكانية إيجاد حد أدنى أفضل وبين الحاجة إلى تقليل عدم يقين النموذج.

ب. نمذجة البديل باستخدام أشجار القرار المعززة

بمجرد توليد بيانات التدريب، يتم تدريب مجموعة من أشجار القرار المعززة (BDT)، وتحديداً XGBoost، لتقريب سطح اللوغاريتم الاحتمالي (أو $\chi^2$ ).

البنية: مجموعة من أشجار الانحدار حيث تصحح كل شجرة الأخطاء الناتجة عن الشجرة السابقة.
التدريب: يستخدم دالة خسارة (متوسط الخطأ المطلق) وحدود تنظيم (regularization) لمنع الإفراط في التخصيص (overfitting).
التحسين: يتم ضبط المعلمات الفائقة (معدل التعلم، عمق الشجرة، التنظيم $\alpha/\lambda$ ، وأخذ العينات الفرعية) باستخدام Optuna والتوقف المبكر بناءً على أداء مجموعة التحقق.
التسريع: يمكن حفظ النماذج المدربة كملفات ثنائية أو تجميعها في مكتبات C (باستخدام tl2cgen/treelite) لتحقيق تسريع كبير في التقييم.

ج. القابلية للتفسير عبر قيم SHAP

لضمان أن طبيعة "الصندوق الأسود" لتعلم الآلة لا تحجب الرؤى الفيزيائية، يستخدم إطار العمل قيم SHAP (تفسيرات شابلِي المضافة):

التفسير المحلي: يفكك التنبؤ لنقطة معلمة محددة إلى مساهمات من كل معلمة.
التفسير العالمي: يجمع قيم SHAP لتحديد المعلمات التي تقود النموذج عالمياً.
التفاعلات: يستخدم مكتبة shapiq لقياس التفاعلات بين المعلمات (على سبيل المثال، كيف يعتمد تأثير أحد الاقترانات على اقتران آخر).

د. أخذ عينات اللاحقة (Posterior Sampling)

مع وجود النموذج البديل السريع، يقوم إطار العمل بإجراء الاستدلال البايزي:

الخوارزمية: يستخدم مونت كارلو عبر سلاسل ماركوف (MCMC) عبر مكتبة emcee (المُنتج المجمّع ذو التباين المستقل).
العملية: يستكشف المُنقّب (sampler) فضاء المعلمات المحدد بواسطة توزيع اللاحقة $p(\theta|data) \propto L(\theta) \times \text{Prior}(\theta)$ .
المخرجات: توليد عينات لحساب القيم المتوقعة، وفترات الثقة، والكنتورات متعددة الأبعاد.

3. المساهمات الرئيسية

سير عمل متكامل لتعلم الآلة: يوفر مساراً قابلاً لإعادة الإنتاج للملاءمات العالمية، يدمج التعلم النشط، وانحدار XGBoost، وضبط المعلمات الفائقة، وأخذ عينات MCMC.
استراتيجية نمذجة ثنائية المرحلة: تعالج مشكلة النطاقات الديناميكية الكبيرة في $\chi^2$ $χ^{2}$ من خلال اقتراح نهج مرحلتين:
- مصنف (Classifier): يستبعد المناطق التي يكون فيها $\Delta\chi^2$ كبيراً جداً (ضجيج).
- منحدِر (Regressor): يتم تدريبه فقط على المنطقة ذات الصلة فيزيائياً (منخفض $\chi^2$ )، مما يحسن الدقة حيث تشتد الحاجة إليها.
تكامل القابلية للتفسير: يوضح كيفية استخدام قيم SHAP ليس فقط لتصحيح أخطاء النموذج، بل لفك تشفير تأثيرات المعلمات الفيزيائية وتفاعلاتها.
مستودع الكود: يوفر مستودع تعليمي كامل (Jorge-Alda/comcha_tutorial) مع تطبيقات بايثون باستخدام مكتبات مثل gpflow و xgboost و shap و emcee و alpaca.

4. التطبيق والنتائج

تُطبق المنهجية على شذوذ $B^\pm \to K^\pm \nu\bar{\nu}$ الذي رصده تجربة Belle II.

السياق الفيزيائي: يتنبأ النموذج القياسي (SM) بهذا الاضمحلال النادر جداً (FCNC). وقد رصدت Belle II فائضاً بمقدار $2.7\sigma$ .
النموذج: يمكن تفسير الشذوذ بواسطة جسيم شبيه بالأكسيون (ALP) خفيف ( $m \approx 2$ GeV) يتوسط الاضمحلال $B^+ \to K^+ a$ ، يليه $a \to \nu\bar{\nu}$ (يظهر كطاقة مفقودة).
القيود: يجب أن يحقق النموذج:
- فائض نسبة التفرع المرصود.
- قيود طول العمر ( $c\tau \geq 80$ سم) لتجنب رصد نواتج الاضمحلال في Belle II و BaBar.
- القيود من عمليات FCNC الأخرى وتذبذبات الميزونات.
النتائج:
- نجح النموذج البديل لتعلم الآلة في رسم خريطة لفضاء المعلمات عالي الأبعاد (الذي يتضمن اقترانات ALP وثابت الاضمحلال $f_a$ ).
- حدد منطقة صالحة حيث تسمح اقترانات الـ ALP بمعدل الاضمحلال المطلوب مع كبح اضمحلال الـ ALP إلى جسيمات مرئية (عبر عمليات إلغاء بين اقترانات مستوى الشجرة واقترانات RGE).
- أثبت النهج أن نموذج تعلم الآلة ثنائي المرحلة يمكنه استكشاف فضاء المعلمات بكفاءة مع تلبية القيود التجريبية الصارمة التي قد تكون مكلفة حاسوبياً بالاعتماد على التكامل العددي المباشر.

5. الأهمية

يمثل هذا العمل تحولاً جذرياً في كيفية مواجهة النماذج النظرية للبيانات التجريبية في فيزياء الطاقات العالية:

الكفاءة الحسابية: يحول الملاءمات العالمية من كونها محدودة بتكلفة تقييم الإمكانية إلى كونها محدودة فقط بسرعة استدلال تعلم الآلة (أسرع بعدة مراتب).
القابلية للتوسع: المنهج قوي لفضاءات المعلمات متوسطة الأبعاد ( $\lesssim 50$ معلمة) ويتعامل مع الإمكانات غير القابلة للاشتقاق (الشائعة في نماذج RGE) حيث تفشل الطرق القائمة على التدرج.
الرؤية الفيزيائية: من خلال دمج قيم SHAP، ينتقل المنهج لما وراء مجرد تقدير المعلمات إلى تقديم القابلية للتفسير، مما يسمح للفيزيائيين بفهم لماذا يناسب النموذج البيانات (مثل تحديد عمليات إلغاء معلمات محددة).
الجاهزية للمستقبل: مع نمو مجموعات البيانات وتعقد النماذج (مثل ملاءمات SMEFT الكاملة)، تُعد تقنيات تعلم الآلة القابلة للتفسير والفعالة هذه أدوات أساسية لاكتشاف الإشارات الدقيقة للفيزياء الجديدة.