ML-based Fast Simulation of FARICH Responses

ملخص تقني: محاكاة سريعة لاستجابات FARICH قائمة على تعلم الآلة

بيان المشكلة
في فيزياء الطاقات العالية (HEP)، يعد تحديد الجسيمات (PID) الموثوق وتوليد بيانات استجابة الكاشف أمراً بالغ الأهمية. يستخدم كاشف فيزياء السبين (SPD) في منشأة المسرع الأيوني القائم على النيوكليوترون (NICA) كاشف "فاريتش" (FARICH) - وهو كاشف إشعاع شيرينكوف حلقي من الأيروجيل المركز - للفصل بين البيونات والكاونات تحت سرعة 5 جيجا إلكترون فولت/c. توفر محاكاة مونت كارلو التقليدية (مثل Geant4) بيانات مرجعية عالية الدقة، ولكنها مكلفة حاسوبياً، مما يخلق عنق زجاجة للتجارب التي تتطلب مجموعات بيانات ضخمة أو عمليات استحواذ سريعة على البيانات. الهدف من هذا العمل هو تطوير محاكاة سريعة قائمة على تعلم الآلة يمكنها توليد عينات واقعية لضربات الفوتونات على مصفوفة كاشف FARICH بناءً على مسار الجسيم وزخمه، متجاوزةً عملية مونت كارلو البطيئة التي تعتمد على الفوتون الواحد.

المنهجية
يقترح المؤلفون نهج الشبكة التنافسية التوليدية الشرطية (cGAN) لنمذجة استجابة الكاشف. يتم صياغة المشكلة كعملية محاكاة شرطية حيث تكون المدخلات الشرطية هي إحداثيات دخول الجسيم، وزوايا الاتجاه، والسرعة ($\beta$)، والزخم ($p$)، والمخرجات هي التوزيع المكاني للبكسلات المستثارة على المصفوفة الحساسة للضوء.

• المعالجة المسبقة للبيانات: للتعامل مع التأثيرات البصرية مثل الانكسار عند الواجهة بين الأيروجيل والهواء، يطبق المؤلفون طريقة تكرار النقطة الثابتة العددية لتصحيح مواضع الضربات. يسمح هذا بإسقاط ضربات الفوتونات على شبكة $64 \times 64$ في الإحداثيات القطبية، والتي تمثل حلقة شيرينكوف. يعمل هذا التحويل على تحييد التأثيرات الهندسية (مثل دوران الحلقة)، مما يمكّن النموذج من التركيز على البنية الفيزيائية للاستجابة.
• النموذج المرجعي الأساسي: تم وضع خط أساس إحصائي خطي باستخدام الانحدار الخطي للقمة (ridge linear regression). يتنبأ هذا النموذج بالمتوسط ($\mu$) والانحراف المعياري ($\sigma$) لتوزيع زاوية شيرينكوف بناءً على بارامترات الجسيم. ويفترض النموذج استقلالية زاوية شيرينكوف عن الزاوية السمتية، حيث يتم أخذ $\theta_c$ من توزيع غاوسي و $\phi_c$ بشكل موحد.
• بنية cGAN: تتكون شبكة cGAN المقترحة من مولد تلافيفي خفيف الوزن (810 ألف معلمة) ومميز.
  • دالة الخسارة: يستخدم التدريب دالة خسارة مركبة. يستخدم المكون التنافسي خسارة "كرامر GAN" لضمان تباعد سلس وتدرجات غير منحازة، مما يمنع انهيار النمط (mode collapse). أما المكون الخاضع للإشراف فيستخدم تقاطع الإنتروبي الثنائي لكل بكسل.
  • التوليد على خطوتين: لمعالجة صعوبة الشبكات التلافيفية (CNNs) في إعادة إنتاج حالات البكسل الثنائية الصارمة دون التحيز في الإحداثيات، تم تقسيم التوليد إلى خطوتين. أولاً، يخرج المولد خريطة احتمالية $64 \times 64$ (قيم بين $[0, 1]$). ثان، عند الاستدلال، يتم أخذ عينة من كل بكسل بشكل مستقل من توزيع برنولي المعلم بـ هذه الخريطة لإنتاج نمط ضربات متفرق وثنائي.
• التدريب: تم تدريب النموذج على 27 مليون حدث عبور جسيم ثانوي تم توليدها بواسطة Geant4، مع التركيز على أحداث البيونات والكاونات.

النتائج الرئيسية
تمت مقارنة أداء cGAN بالنموذج الخطي المرجعي باستخدام مقياسين: متوسط مربع الخطأ (MSE) على خرائط الاحتمالية، والمسافة الكلية للتباين ($\delta_{RECO}$) بين توزيعات السرعة المعاد بناؤها ومرجع Geant4.

• الأداء الكمي: تفوقت cGAN على النموذج الخطي في كلا المقياسين. انخفض MSE لخرائط الاحتمالية من $7.4 \times 10^{-6}$ (النموذج الخطي) إلى $4.2 \times 10^{-6}$ (cGAN). كما تحسن المسافة الكلية للتباين لتوزيعات السرعة المعاد بناؤها من $0.31$إلى$0.22$.
• التحليل النوعي: أعادت cGAN بنية الحلقة وتغيراتها عبر مختلف الفئات الكينماتيكية بشكل أكثر دقة مقارنة بالنموذج الخطي، الذي مال إلى إنتاج حلقات ناعمة للغاية ومتماثلة دورانياً. كان هذا التحسن أكثر وضوحاً عند الزخوم العالية حيث يكون التقريب الغاوسي الخطي أقل دقة.
• القصور: قلل كلا النموذجين من تقدير انتشار السرعة المعاد بناؤها ($\sigma_\beta$)، وفشلا بشكل خاص في توليد "الأحداث الصعبة" التي تؤدي إلى انهيار خوارزمية إعادة البناء. ويعزو المؤلفون ذلك إلى ندرة هذه الأحداث في مجموعة بيانات التدريب.

الأهمية والادعاءات
يزعم البحث أن نهج cGAN المقترح يوفر تسريعاً كبيراً مقارنة بمحاكاة مونت كارلو التقليدية مع الحفاظ على دقة عالية تجاه فيزياء استجابة الكاشف. وتحديداً، تستغرق محاكاة 1,000,000 استجابة لـ FARICH باستخدام cGAN حوالي دقيقتين فقط على أجهزة حاسوب استهلاكية. ويخلص المؤلفون إلى أن الطريقة تنتج عينات واقعية وتعد بديلاً قابلاً للتطبيق للمحاكاة السريعة في فيزياء الطاقات العالية، رغم ملاحظتهم أن هناك حاجة لعمل مستقبلي لمعالجة توليد الأحداث النادرة وإعادة إنتاج انتشار السرعة دون الاعتماد على خطوة خريطة الاحتمالية الوسيطة.