Double Metric Learning for Building Directed Graphs with Chain Connections for the ATLAS ITk Detector

ملخص تقني: التعلم المتري المزدوج لبناء الرسوم البيانية الموجهة ذات الاتصالات المتسلسلة لكاشف ATLAS ITk

بيان المشكلة
أصبحت الشبكات العصبية الرسومية (GNNs) معيارًا لإعادة بناء مسارات الجسيمات في فيزياء الطاقات العالية، ومع ذلك فإن فعاليتها تعتمد بشكل كبير على خطوة بناء الرسم البياني الأولية. يجب أن توازن هذه الخطوة بين هدفين متنافسين: تقليل حجم الرسم البياني لضمان القدرة الحسابية (حيث تتناسب تكاليف الاستدلال لـ GNN مع عدد الحواف)، وتعظيم استعادة الحواف "الحقيقية" لضمان متانة عمليات التجزئة اللاحقة.

يبرز تحدٍ محدد عند تطبيق نموذج التعلم المتري (Metric Learning) على تعريف الاتصال المتسلسل (chain connection) للحواف الحقيقية. في الاتصالات المتسلسلة، تُعت้ำد فقط الأزواج المتتالية على طول مسار الجسيم كأزواج حقيقية، مع استبعاد اتصالات "القفز" (hopping) بين الضربات غير المتتالية. يستخدم التعلم المتري القياسي مقياس مسافة متماثل في فضاء تمثيل كامن، يتم تدريبه عبر فقدان تبايني (contrastive loss) لسحب الأزواج الحقيقية معًا ودفع الأزواج الزائفة بعيدًا. ومع ذلك، تحت تعريف السلسلة، يخلق هذا المقياس المتماثل صراعًا منطقيًا: إذا كانت الضربات $A$ و $B$ زوجين حقيقيين، وكانت $B$ و $C$ زوجين حقيقيين، فإن المقياس المتماثل يجبر $A$ و $C$ على أن يكونا قريبين (خاصية التعدي/Transitivity). ومع ذلك، فإن $A$ و $C$ ليسا زوجًا حقيقيًا وفقًا لتعريف السلسلة، ويجب دفعهما بعيدًا. هذا التناقض يربك هدف التدريب، مما قد يؤدي إلى تدهور نقاء الرسم البياني وكفاءته، لا سيما بالنسبة للجسيمات ذات الزخم المستعرض العالي ($p_T$) حيث تعقد انحناء المسار وكثافة الضربات عملية إعادة البناء.

المنهجية
لحل هذا الصراع، يقترح المؤلفون التعلم المتري المزدوج (Double Metric Learning)، وهو تطور للنهج القياسي (المسمى "التعلم المتري البسيط").

• التمثيلات المزدوجة: على عكس التعلم المتري البسيط، الذي يربط كل ضربة بمتجه كامن واحد، يقوم التعلم المتري المزدوج بربط كل ضربة بتمثيلين متميزين: تمثيل المصدر ($\vec{S}$) وتمثيل الهدف ($\vec{T}$).
• مقياس المسافة غير المتماثل: يتعلم النموذج علاقة موجهة. تعمل الضربة كمصدر عندما تكون أصل الاتصال، وكتارج (هدف) عندما تكون وجهة الاتصال. يُعرف مقياس المسافة بـ $|\vec{S}_i - \vec{T}_j|$، وهو غير متماثل بشكل عام ($|\vec{S}_i - \vec{T}_j| \neq |\vec{S}_j - \vec{T}_i|$).
• دالة الفقد (Loss Function): يستخدم التدريب فقدان مفصل تبايني (contrastive hinge loss) على الأزواج الموجهة ($h_i \to h_j$). بالنسبة للأزواج الحقيقية (حيث $h_j$ هو التابع المباشر لـ $h_i$)، يقلل الفقد من المسافة $|\vec{S}_i - \vec{T}_j|$. أما بالنسبة للأزواج غير المتتالية، فيزيد هذه المسافة.
• حل الصراع: من خلال فصل التمثيلات، يمكن للنموذج تقليل المسافة بين $\vec{S}_A$ و $\vec{T}_B$، وبين $\vec{S}_B$ و $\vec{T}_C$، دون إجبار $\vec{S}_A$ و $\vec{T}_C$ على القرب من بعضهما البعض عن طريق التعدي. هذا يلغي التناقض الرياضي المتأصل في النهج المتماثل عند تطبيقه على الاتصالات المتسلسلة.
• بناء الرسم البياني: تتشكل الحواف من الضربة $i$ إلى الضربة $j$ إذا كانت المسافة $|\vec{S}_i - \vec{T}_j|$ تقع ضمن نصف قطر ثابت (يتم تحديده عبر بحث أقرب جار بنصف قطر ثابت - FRNN). ينتج عن هذا طبيعيًا رسم بياني موجه يتوافق مع الاتجاهية الفيزيائية لمسارات الجسيمات.

الإعداد التجريبي
تم تقييم الطرق باستخدام بيانات محاكاة ATLAS ITk لأحداث $t\bar{t}$ عند تجربة مصادم الهادرونات الكبير عالي السطوع (HL-LHC) بمتوسط تراكم (pileup) قدره $\langle\mu\rangle = 200$.

• النماذج: استخدمت نماذج التعلم المتري البسيط والمزدوج بنيات متطابقة تقريبًا (4 طبقات مخفية، 1024 عصبون، وتفعيل tanh) لضمان مقارنة مضبوطة. الفرق الرئيسي هو مخرجات الأبعاد: أنتج التعلم المتري البسيط متجهًا واحدًا بـ 12 بُعدًا، بينما أنتج التعلم المتري المزدوج متجهين بـ 12 بُعدًا لكل منهما (مصدر وهدف). امتلك كلا النموذجين حوالي 3.2 مليون معلمة قابلة للتدريب.
• التقييم: تم بناء الرسوم البيانية باستخدام خوارزميات البحث عن أقرب جار بنصف قطر ثابت (FRNN). تم قياس الأداء بواسطة كفاءة بناء الرسم البياني ($\epsilon$)، المعرفة كنسبة الحواف الحقيقية المعاد بناؤها إلى إجمالي الحواف الأرضية، ومتوسط حجم الرسم البياني (عدد الحواف).

النتائج الرئيسية

• الكفاءة وحجم الرسم البياني: عند مستويات متقاربة من إجمالي كفاءة البناء ($\epsilon \approx 0.997$)، أنتج التعلم المتري المزدوج رسومًا بيانية غير موجهة بحجم متوسط أصغر ($6.59 \times 10^6$ حافة) مقارنة بالتعلم المتري البسيط ($6.97 \times 10^6$ حافة).
• أداء الزخم المستعرض العالي ($p_T$): أظهر التعلم المتري المزدوج كفاءة أعلى بكثير في بناء الرسم البياني للجسيمات ذات الزخم المستعرض العالي ($p_T$) مقارنة بنهج التعلم المتري البسيط.
• نقاء الحواف: كانت نسبة "حواف القفز" (الاتصالات بين الضربات غير المتتالية) إلى الحواف الحقيقية المعاد بناؤها أقل في التعلم المتري المزدوج. نجح المقياس غير المتماثل في معاقبة الاتصالات غير الفيزيائية التي تتخطى طبقات المسار.
• الاتجاهية: أظهرت الرسوم البيانية الموجهة التي أنتجها التعلم المتري المزدوج توافقًا عاليًا مع الاتجاهية الفيزيائية للمسارات. كان عدد الحواف في النسخة الموجهة مشابهًا للنسخة غير الموجهة، مما يشير إلى أن النموذج نادرًا ما ينتج حوافًا عكسية زائدة.

الأهمية والادعاءات
يزعم البحث أن التعلم المتري المزدوج يحل بنجاح صراعات التدريب المتأصلة في تطبيق التعلم المتري القياسي على الرسوم البيانية المتصلة تسلسليًا. من خلال تعلم تمثيلات كامنة مزدوجة، يتيح هذا الأسلوب بناء رسوم بيانية موجهة تحترم بطبيعتها الاتجاهية الفيزيائية لمسارات الجسيمات.

يؤكد المؤلفون أن هذا النهج يقدم ميزتين أساسيتين:

1. تحسين الأداء: يعزز كفاءة بناء الرسم البياني، خاصة لجسيمات $p_T$ العالية، ويقلل من تضمين حواف القفز غير الفيزيائية.
2. الكفاءة الحسابية: من خلال تقليل عدد الحواف الزائدة وتمكين أحجام رسوم بيانية أصغر مع الحفاظ على نقاء عالٍ، يقلل النهج من العبء الحسابي لعمليات تمرير الرسائل (message-passing). ويُقدم هذا كتحسين حاسم للشبكات العصبية الرسومية التي تعمل في بيئات السطوع العالي.

يشير البحث إلى أنه بينما ينتج التنفيذ الحالي رسومًا بيانية موجهة، إلا أن هناك حاجة لعمل مستقبلي لتطوير منطق التحكيم للتعامل مع الحواف ثنائية الاتجاه أو الحلقات المغلقة، حيث تتطلب بعض الخوارزميات اللاحقة (مثل Walkthrough) رسومًا بياسية موجهة غير حلقية (DAGs) بشكل صارم. كما يقترح المؤلفون أن هذا الأسلوب يمكن أن يستفيد من أطر تكثيف الكائنات (object-condensation) من خلال الانتقال من الاتصال القائم على العنقود إلى الاتصال القائم على السلسلة لتقليل حجم الرسم البياني.