⚛️ high-energy experiments

Explainable AI for Jet Tagging: A Comparative Study of GNNExplainer, GNNShap, and GradCAM for Jet Tagging in the Lund Jet Plane

تقيم هذه المساهمة وتقارن بين طرق التفسير القائمة على الاضطراب، والقائمة على قيم شابلي، والقائمة على التدرج والمكيفة لتمثيل "مستوى لوند-جت" (Lund-Jet-Plane)، وتثبت أن هذه التقنيات تربط بنجاح تنبؤات الشبكة العصبية بالكميات الملحوظة في الكروموديناميكا الكمية (QCD) الكلاسيكية، مع الكشف عن تحولات واضحة في التركيز بين الأنظمة الاضطرابية وغير الاضطرابية في تصنيف النفاثات.

المؤلفون الأصليون: Pahal D. Patel, Sanmay Ganguly

نُشر 2026-04-29

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Pahal D. Patel, Sanmay Ganguly

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

إليك شرح للورقة البحثية بلغة بسيطة ومع استخدام تشبيهات من الحياة اليومية.

الصورة الكبيرة: مشكلة "الصندوق الأسود"

تخيل أنك محقق تحاول حل جريمة ما. لديك مساعد ذكي للغاية يعمل بالذكاء الاصطعي، يمكنه النظر إلى مسرح جريمة فوضوي ويقول بدقة 9قة 99% من هو الجاني. ومع ذلك، عندما تسأل الذكاء الاصطناعي عن سبب اعتقاده بذلك، يجيب فقط بـ: "أنا متأكد". إنه لا يريك أي ملاحظات ولا يشرح استنتاجاته.

في عالم فيزياء الجسيمات (تحديداً في مصادم الهادونات الكبير)، يستخدم العلماء نماذج ذكاء اصطناعي مشابهة لـ "الصندوق الأسود" لتحديد النفثات (Jets). والنفثات هي تدفقات من الجسيمات الصغيرة التي تتكون عند اصطدام البروتونات. أحياناً تأتي هذه النفثات من جسيمات عادية (مثل الكواركات أو الغلوونات)، وأحياناً من جسيمات ثقيلة ونادرة (مثل بوزون هيجز أو الكوارك العلوي).

الذكاء الاصطناعي بارع في تمييز الفرق، لكن الفيزيائيين قلقون: هل يتعلم الذكاء الاصطناعي حقاً قوانين الفيزياء، أم أنه مجرد يحفظ سمات محاكاة الكمبيوتر التي تدرب عليها؟ إذا كان يحفظ المحاكاة فقط، فقد يفشل عند النظر في البيانات الحقيقية.

الحل: خريطة "مستوى لوند للنفثات" (Lund Jet Plane)

لحل هذه المشكلة، قرر الباحثون التوقف عن رؤية الجسيمات ككومة فوضوية والتعامل معها بدلاً من ذلك كـ خريطة.

استخدموا شيئاً يسمى مستوى لوند للنفثات (Lund Jet Plane). تخيل هذا كخريطة طبوغرافية لسلسلة جبال.

المحور السيني (X-axis) يمثل مدى اتساع عرض "زخة" الجسيمات.
المحور الصادي (Y-axis) يمثل مقدار الطاقة التي تمتلكها الجسيمات.

كل عملية "انقسام" (Split) — حيث ينقسم جسيم إلى جسيمين أصغر — يتم رسمها كنقطة على هذه الخريطة. ولأن هذه الخريطة تعتمد على قوانين الفيزياء الفعلية (ديناميكا الكم الملونة - QCD)، فإن لكل نقطة معنى محدداً ومعروفاً. إنها تشبه الخريطة حيث يتوافق كل تلة ووادي فيها مع حدث جيولوجي محدد.

التجربة: ثلاثة أنواع مختلفة من "المصابيح"

أخذ الباحثون ثلاثة أنواع مختلفة من نماذج الذكاء الاصطناعي (المحققين) وسلطوا عليها ثلاثة أنواع مختلفة من "المصابيح" (أدوات الذكاء الاصطناعي القابل للتفسير) لمعرفة الأجزاء التي ينظر إليها الذكما من الخريطة.

أداة GNNExplayer (مصباح "ماذا لو"): تسأل هذه الأداة: "إذا أخفيت هذا الجزء من الخريطة، هل سيظل الذكاء الاصطناعي يحصل على الإجابة الصحيحة؟" وهي تسلط الضوء على المناطق الأكثر أهمية من خلال مراقبة ما يحدث عند إزالتها.
أداة GNNShap (مصباح "الحصة العادلة"): تستخدم هذه الأداة مفهوماً رياضياً من نظرية الألعاب لحساب مقدار "الائتمان" أو "الفضل" الذي يستحقه كل نقطة على الخريطة لاتخاذ القرار النهائي. الأمر يشبه تقسيم فاتورة الطعام بعدل بناءً على ما أكله كل شخص.
أداة GradCAM (مصباح "الخريطة الحرارية"): تنظر هذه الأداة إلى "الاشتعال" الداخلي لنيورونات الذكاء الاصطناعي وترسم خريطة حرارية توضح أي المناطق كانت الأكثر نشاطاً عندما اتخذ الذكاء الاصطناعي قراراً.

النتائج: ماذا رأى الذكاء الاصطناعي بالفعل؟

قارن الباحثون بين رؤى "المصابيح" الخاصة بالذكاء الاصطناعي وبين فيزياء الخريطة المعروفة. وإليكم ما وجدوه:

1. تعلم الذكاء الاصطناعي الفيزياء الحقيقية
بالنسبة للجسيمات الثقيلة (مثل الكوارك العلوي أو بوزون هيجز)، قامت مصابيح الذكاء الاصطناعي بإضاءة نقاط "الانقسام القوية" (Hard splits) المحددة على الخريطة حيث تحلل الجسيم الثقيل.

تشبيه: إذا كنت تبحث عن نوع معين من الأشجار في غابة، فإن الذكاء الاصطناعي لم يتكهن فحسب؛ بل أشار بشكل صحيح إلى الشكل الفريد للأوراق واللحاء. تثبت الدراسة أن الذكاء الاصطناعي لا يخمن فحسب، بل تعلم الهيكل الفعلي لتحلل هذه الجسيمات الثقيلة.

2. "شذوذ QCD" (الغابة الضبابية)
بالنسبة للجسيمات العادية (نفثات QCD)، لم يركز مصباح الذكاء الاصطناعي على نقطة محددة. بدلاً من ذلك، أضاء الخريطة بأكملها، وخاصة المناطق "الناعمة" و"الواسعة".

تشبيه: تخيل أنك تحاول التعرف على شجرة صنوبر شائعة. لا يوجد فرع واحد فريد يميزها؛ بل هو الشكل العام وطريقة توزيع الإبر. لقد أدرك الذكاء الاصطناعي بشكل صحيح أنه بالنسبة لهذه النفثات العادية، فإن الإجابة تكمن في النمط الكامل، وليس في نقطة واحدة مميزة فقط. يطلق الباحثون على هذا اسم "شذوذ الأمانة" (Fidelity Anomaly)، لكنه في الواقع علامة على أن الذكاء الاصطناعي يفهم الفيزياء بشكل مثالي.

3. أدوات مختلفة لمهام مختلفة
وجدت الدراسة أنه لا يوجد أداة "مصباح" واحدة تعمل بشكل أفضل لكل نماذج الذكاء الاصطناعي.

بالنسبة لبعض نماذج الذكاء الاصطناعي، كانت أداة "الحصة العادلة" (GNNShap) هي الأفضل في إيجاد الانقسامات القوية.
بالنسبة لأخرى، كانت أداة "الخريطة الحرارية" (GradCAM) أفضل في التعرف على الأنماط الأوسع.
الاستنتاج: لا يمكنك ببساطة اختيار أداة تفسير واحدة واستخدامها للأبد. يجب عليك تكييف الأداة مع نموذج الذكاء الاصطناعي المحدد الذي تستخدمه.

4. تأثير "التعزيز" (The Boost Effect)
نظر الباحثون في النفثات التي تتحرك بسرعات مختلفة (طاقة منخفضة مقابل طاقة عالية). ووجدوا أنه مع زيادة سرعة النفثات، أصبح تركيز الذكاء الاصطناعي أكثر حدة وتركيزاً على الانقسامات القوية المحددة، تماماً كما تتنبأ الفيزياء.

الخلاصة

تخلص الورقة البحثية إلى أن مصنفات النفثات الحديثة بالذكاء الاصطناعي ليست صناديق سوداء سحرية. إذا سلطت الضوء المناسب عليها، يمكنك أن ترى أنها تعلمت حقاً قوانين الفيزياء. فهي تعرف أين تتحلل الجسيمات الثقيلة، وتفهم الفرق بين حدث جسيم ثقيل محدد وبين زخة جسيمات عامة.

هذا أمر بالغ الأهمية لأن هذا يعني أن العلماء يمكنهم الوثوق بهذه الأدوات بشكل أكبر عند استخدامها في التجارب المستقبلية للبحث عن جسيمات جديدة وغير معروفة. الذكاء الاصطناعي لا يحفظ كتاباً مدرسياً فحسب؛ بل إنه يمارس الفيزياء.

1. بيان المشكلة

على الرغم من الأداء المتطور للشبكات العصبية الرسومية (GNNs) مثل ParticleNet و Particle Transformer في تحديد النفاثات (jets) (وهي رشقات جسيمات متجمعة) عند مصادم الهادرونات الكبير (LHC)، إلا أن عمليات اتخاذ القرار لديها تظل "صناديق سوداء".

الفجوة: إن رصادات البنية التحتية الكلاسيكية للنفاثات (مثل $N$ -subjettiness $\tau_{21}$ ، ودوال الارتباط الطاقي) مشتقة من المبادئ الأولى لكروموديناميكا الكم (QCD) وهي قابلة للحساب تحليلياً. في المقابل، تتعلم الشبكات العصبية تمثيلات ميزات معقدة وغامضة.
المخاطر: إذا تعلم النموذج آثاراً (artifacts) من محاكاة مونت كارلو (MC) (مثل نماذج هدرونات محددة أو استجابات الكاشف) بدلاً من الفيزياء الأساسية، فإن أداءه سيتدهور عند تطبيقها على بيانات التصادم الحقيقية.
التحدي: لم تُطبق طرق الذكاء الاصطناعي القابل للتفسير (XAI) الموجودة بعد بشكل منهجي على الشبكات العصبية الرسومية (GNNs) القائمة على مستوي لوند للنفاثات (Lund Jet Plane - LJP). يوفر LJP فرصة فريدة، حيث يتوافق كل عقدة في تمثيل الرسم البياني الخاص به مع انقسام جسيمي ذي معنى فيزيائي، مما يسمح بمقارنة مباشرة بين انتباه النموذج ونظرية QCD.

2. المنهجية

قام المؤلفون بتطوير إطار عمل شامل لتقييم ومقارنة ثلاثة نماذج مختلفة من الـ XAI المكيفة للشبكات العصبية الرسومية القائمة على LJP.

أ. تمثيل البيانات: مستوي لوند للنفاثات (LJP)

بدلاً من معاملة النفاثات كصور أو سحب نقاط عامة، تستخدم الدراسة مستوي لوند للنفاثات (LJP)، وهو فضاء طور ثنائي الأبعاد محدد بـ:

$\ln(k_T)$ : لوغاريتم الزخم المستعرض لانقسام الجسيمات.
$\ln(1/\Delta R)$ : لوغاريتم مقلوب زاوية الانقسام.
بناء الرسم البياني: تمثل كل عقدة انبعاثاً جسيمياً محدداً في تاريخ رشقة الجسيمات. وهذا يسمح لطرق التفسير بتخصيص درجات الأهمية لأحداث انقسام فيزيائية محددة.

ب. النماذج وطرق التفسير (XAI)

تقيم الدراسة ثلاث بنيات معمارية:

LundNet: شبكة عصبية رسومية تستخدم EdgeConv على رسم بياني ثابت من نوع $k$ -NN يتم بناؤه من LJP.
ParticleNet: شبكة عصبية رسومية تستخدم Dynamic EdgeConv (حيث يتم إعادة حساب الجيران في كل طبقة).
Particle Transformer: بنية تعتمد على الـ Transformer وتطبق آلية الانتباه الذاتي (self-attention) على مكونات LJP.

تُقرن هذه البنيات بثلاث طرق XAI:

GNNExplainer (القائم على الاضطراب): يعمل على تحسين قناع (mask) لتعظيم المعلومات المتبادلة بين الرسم البيئي الفرعي والتنبؤ.
GNNShap (القائم على قيم شابلي): يستخدم نظرية الألعاب التعاونية لتخصيص درجات أهمية عادلة للحواف بناءً على مساهمتها الهامشية.
GradCAM (القائم على التدرج): يحسب خرائط تنشيط الفئات الموزونة بناءً على التدرجات لتحديد العقد/الميزات المهمة.

ج. إطار التقييم

قدم المؤلفون تقييماً مستنداً إلى الفيزياء يتجاوز مقاييس الأمانة (fidelity) القياسية:

أقنعة حقيقة مونت كارلو (MC Truth Masks): تم إنشاء أقنعة تفسير "الحقيقة الأرضية" عن طريق تتبع الجسيمات الناتجة عن التشتت الصلب عبر عملية الرشقة (على سبيل المثال، تحديد بنية الثلاثة أجزاء own top quarks أو بنية الجزئين own Higgs bosons).
مقاييس الأمانة ( $Fid^+, Fid^-$ ): قياس مدى انخفاض تنبؤ النموذج عند إزالة أو الاحتفاظ بالحواف المهمة.
ارتباط البنية التحتية: حساب ارتباط رتب سبيرمان بين درجات أهمية العقد التي خصصتها XAI والارتباطات الكلاسيكية ( $\tau_{21}, \tau_{32}, C_2, C_3$ ).
تصنيف $p_T$ : أُجري التحليل عبر ثلاثة فئات من الزخم المستعرض ( $500\text{--}700$ GeV، و $800\text{--}1000$ GeV، والفئة الشاملة) لفحص الانتقال بين الأنظمة غير المعتمدة على الاضطراب والأنظمة المعتمدة على الاضطراب.

3. المساهمات الرئيسية

أول مقارنة منهجية متعددة الطرق: توفر الورقة أول مقارنة صارمة بين طرق XAI القائمة على الاضطراب، ونظرية الألعاب، والتدرج، والمخصصة لتمثيل LJP القائم على الفيزياء.
الحقيقة الأرضية المستندة إلى الفيزياء: يتيح إدخال أقنعة التفسير لـ MC Truth التحقق الكمي مما إذا كان النموذج يركز على تضاريس التحلل الفيزيائية الصحيحة (مثل الانقسامات الصلبة للإشارات مقابل الإشعاع الناعم للخلفية).
اكتشاف "شذوذ الأمانة" (Fidelity Anomaly): حدد المؤلفون سلوكاً غير بديهي ولكنه منطقي فيزيائياً، حيث إن إزالة الحواف "المهمة" من نفاثات QCD لا يؤدي إلى تدهور في ثقة النموذج، على عكس نفاثات الإشارة.
الاقتران بين البنية والطريقة: توضح الدراسة أنه لا توجد طريقة XAI واحدة هي الأفضل عالمياً؛ فالخيار الأمثل يعتمد على بنية النموذج الأساسية.

4. النتائج الرئيسية

أ. تعلم النموذج والمحاذاة الفيزيائية

إعادة اكتشاف QCD: نجحت جميع البنيات الثلاث في تعلم ميزات البنية التحتية لـ QCD الكلاسيكية.
- نفاثات التوب ( $t \to bW \to bq\bar{q}'$ ): ركزت النماذج على بنية الانقسام الصلب المكون من ثلاثة أجزاء.
- نفاثات هيجز ( $H \to c\bar{c}$ ): ركزت النماذج على منطقة سقوط الكتلة ذات الجزئين.
- نفاثات QCD: حددت النماوذج بشكل صحيح غياب المقاييس الصلبة واعتمدت على النمط الجمعي للإشعاع الناعم وكبير الزاوية (Sudakov tail).
قوة الارتباط: أظهر Particle Transformer أقوى ارتباط ( $|\rho| \approx 0.5\text{--}0.6$ ) بين أوزان الانتباه الداخلية و الملاحظات الكلاسيكية (مثل $\tau_{21}$ )، مما يشير إلى أن آليات الانتباه تشفر الميزات الكينماتيكية الزوجية بشكل أكثر مباشرة من نماذج GNN المحلية.

ب. السلوك الخاص بكل طريقة

GNNShap: الأنسب لـ Particle Transformer و LundNet. يعمل كـ "مرشح" للانقسامات الخطية الصلبة ويخصص وزناً عالياً للحواف المحددة المسؤولة عن كتلة الإشارة.
GradCAM: الأنسب لـ ParticleNet. يميل إلى وزن نشاط التجزئة منخفض $k_T$ (الإشعاع الناعم) ويلتقط مسار تمرير الرسائل بالكامل بدلاً من الحواف السببية فقط.
GNNExplainer: فعال للغاية في كشف دور توزيع الزخم ( $\ln z$ ) والمدى الزاوي، وغالباً ما يسلط الضوء على نمط الإشعاع بأكمله.

ج. شذوذ الأمانة (نفاثات QCD)

بالنسبة لنفاثات الإشارة (جزئين/ثلاثة أجزاء)، فإن إزالة أعلى $k$ من الحواف المهمة يدمر التنبؤ ( $Fid^+ \to 1$ )، كما هو متوقع.
بالنسبة لـ نفاثات QCD، فإن إزالة أعلى $k$ من الحواف لا يؤدي إلى أي انخفاض كبير في التنبؤ ( $Fid^+ \to 0$ ).
التفسير: هذا ليس فشلاً للمفسر، بل هو تأكيد لصحة نظرية التفكك (factorization) في QCD. تفتقر نفاثات QCD إلى مقياس صلب مميز واحد؛ ويعتمد تصنيفها على النمط الجمعي للانبعاثات الناعمة. لذلك، لا يوجد رسم بيئي فرعي صغير كافٍ لتحديد الفئة.

د. الاعتماد على $p_T$

مع زيادة الزخم المستعرض ( $p_T$ )، تصبح الانقسامات الصلبة أكثر تقارباً (collimated).
في أنظمة $p_T$ العالية، يتحسن الاتفاق بين طرق XAI المختلفة لنفاثات الإشارة، حيث يصبح الإشارة الصلب متميزاً بوضوح عن الخلفية الناعمة. ومع ذلك، بالنسبة لنفاثات الجزئين عالية الاندفاع (boosted)، تصبح الحدود بين إشارة الخلفية والنعومة غامضة، مما يؤدي إلى بعض التباين في تفسيرات الطرق.

5. الأهمية والآفاق المستقبلية

الثقة في التعلم الآلي: توفر هذه الدراسة أدلة كمية على أن مصنفات التعلم العميق الحديثة لا تستغل مجرد آثار المحاكاة، بل تتعلم فيزياء البنية التحتية الأساسية التي تتنبأ بها QCD.
التحول المنهجي: تؤكد الدراسة أن التقييم متعدد الطرق ضروري؛ إذ يمكن أن يؤدي الاعتماد على تقنية XAI واحدة إلى تفسيرات ناقصة أو منحازة لما تعلمه النموذج.
التطبيقات المستقبلية:
- اكتشاف الشذوذ: استخدام XAI لتحديد المجموعات غير المتوقعة في مستوي لوند للبحث عن فيزياء ما وراء النموذج القياسي (BSM).
- تصميم البنية: استخدام خرائط التفسير لتقليم المدخلات أو تصميم مصنفات أكثر كفاءة (على سبيل المثال، تقييد المدخلات لمناطق لوند عالية الأهمية).
- التحقق القائم على البيانات: الإطار جاهز للتطبيق مباشرة على بيانات LHC الحقيقية (ATLAS/CMS) للتحقق من صحة مصنفات التعلم الآلي مقابل القياسات التجريبية بدلاً من المحاكاة.

باختاً، تجسر هذه الورقة الفجوة بين التعلم الآلي عالي الأداء وفيزياء الجسيمات النظرية، مما يثبت أن الشبكات العصبية، مع التمثيل الصحيح (مستوي لوند للنفاثات) والـ XAI الصارم، يمكن تفسيرها على أنها تتعلم لغة الـ QCD.