Decorrelation of neural networks from particle lifetimes in the LHCb topological $b$ trigger

تخيل كاميرا عملاقة فائقة السرعة تحاول التقاط صورة لانفجار ألعاب نارية في ملعب مزدحم. الكاميرا سريعة جداً لدرجة أنها تستطيع تجميد اللحظة الخاطفة التي تنفجر فيها الألعاب النارية، لكن الملعب مزدحم للغاية لدرجة أن آلاف الألعاب النارية الأخرى تنفجر في نفس اللحظة تماماً. هذا هو التحدي الذي يواجه تجربة LHCb في مصادم الهادونات الكبير (LHC). يستخدم العلماء هذه الآلة لدراسة جسيمات "الجمال" (أو b-hadrons)، وهي جسيمات ثقيلة وغير مستقرة تتفكك، أو تنهار، بسرعة كبيرة. ولإيجادها، يعمل نظام الكمبيوتر مثل حارس ملهى ليلي فائق السرعة، حيث يمسح ملايين الاصطدمرات كل ثانية ليقرر أي منها يستحق الحفظ لاحقاً.

المشكلة هي أن جسيمات "الجمال" هذه لديها "شخصية" محددة: فهي تسافر مسافة صغيرة ولكنها قابلة للقياس قبل أن تتفكك، مما يخلق نمطاً مميزاً من الحطام. يستخدم الكمبيوتر خوارزمية ذكية، وهي نوع من الذكاء الاصطناعي تسمى الشبكة العصبية، لرصد هذا النمط. ومع ذلك، في النسخة الأكثر ازدحاماً حالياً من التجربة، أصبح الملعب مزدحماً للغاية لدرجة أن الحارس قد يرتبك أحياناً. فقد يخلط بالخطأ بين حطام من لعبة نارية واحدة وحطام من جارة لها، ليخلق نمطاً مزيفاً يبدو وكأنه جسيم "جمال" طويل العمر. إذا أصبح الكمبيوتر بارعاً جداً في رصد هذه التزييفات، فقد يبدأ في تجاهل الجسيمات الحقيقية طويلة العمر التي من المفترض أن يجدها، مما يفسد العلم. تستكشف هذه الورقة كيفية تعليم الكمبيوتر التوقف عن ارتكاب هذا الخطأ دون أن يفقد قدرته على إيجاد الألعاب النارية الحقيقية.

الحارس المزدحم والأدلة المزيفة

صُممت تجربة LHCb لدراسة الجسيمات الثقيلة التي تحتوي على كوارك "الجمال". هذه الجسيمات مميزة لأنها تعيش لفترة كافية فقط لتسافر حوالي سنتيمتر واحد قبل أن تتفكك. وهذا يخلق بصمة فريدة: "رأس ثانوي" (secondary vertex)، أو نقطة التقاء ثانية للجسيمات، تكون منفصلة قليلاً عن مكان ولادتها. ولإمساك هذه الأحداث، يستخدم نظام تشغيل (trigger) في LHCb أداة تعلم آلي تسمى الشبكة العصبية "مونوتونيك ليبشيتز" (MLNN). تخيل هذه الشبكة العصبية كتحرٍ مدرب بدقة ينظر إلى الأدلة (مثل المسافة التي سافرتها الجسيمات وسرعتها) ويعطي كل حدث درجة. إذا كانت الدرجة عالية بما يكفي، يتم حفظ الحدث.

تم تدريب المحقق ليكون "مونوتونيك" (رتيباً)، مما يعني أنه إذا سافر الجسيم لمسافة أبعد أو كان يمتلك زخماً أكبر، فيجب أن ترتفع الدرجة. وهذا منطقي لأن جسيمات الجمال الحقيقية تسافر عادةً لمسافات أبعد من ضجيج الخلفية. ومع ذلك، أصبحت التجربة مؤخراً أكثر ازدحاماً بكثير. في الماضي، كان هناك تصادم واحد تقريباً في كل لحظة (µ = 1.1)، أما الآن فهناك حوالي 5.3 تصادمات تحدث في وقت واحد (µ = 5.3). هذا يشبه محاولة الحارس فرز خمس حفلات مختلفة تحدث في نفس الغرفة في آن واحد.

بسبب هذا الزحام، يرتبك المحقق أحياناً. فقد يأخذ مساراً من تصادم ما ومساراً من تصادم آخر، ويجمعهما، ليخلق جسيماً "مركباً" يبدو وكأنه سافر مسافة طويلة جداً. هذا هو "خلفية مرتبطة بالعمر" (lifetime-correlated background). إنه دليل مزيف يشبه تماماً جسيمات الجمال طويلة العمر التي يرغب العلماء في دراستها. الخطر يكمل في أن الشبكة العصبية، برؤيتها لهذه المسارات الطويلة المزيفة، قد تتعلم أن تصبح مرتابة في جميع المسارات الطويلة. قد تبدأ في معاقبة جسيمات الجمال الحقيقية طويلة العمر لمجرد أنها تشبه التزييفات قليلاً. وهذا من شأنه أن يخلق انحيازاً، مما يجعل التجربة أقل حساسية للجسيمات التي تحتاج لدراستها بالفعل.

تعليم المحقق تجاهل الحشد

لإصلاح ذلك، حاول مؤلفو الورقة "إزالة الارتباط" (decorrelate) للشبكة العصبية. بلغة بسيطة، أرادوا تعليم الذكاء الاصطناعي أن درجته لا ينبغي أن تعتمد على طول عمر الجسيم، خاصة بالنسبة للجسيمات طويلة العمر. لقد اختبروا طريقتين مختلفتين لإضافة "عقوبة" إلى عملية تدريب الذكاء الاصطناعي إذا بدأ يهتم كثيراً بالعمر.

الطريقة الأولى كانت تسمى DisCo (ارتباط المسافة). تخيل هذا كمعلم صارم يصرخ في الطالب في كل مرة تتغير فيها درجته بناءً على طول الطالب. إذا أعطى الذكاء الاصطناعي درجة أعلى لجسيم طويل العمر، تتدخل العقوبة لتخبره: "لا، لا ينبغي أن تتغير الدرجة لمجرد أن العمر تغير".

الطريقة الثانية كانت تسمى MoDe (تفكيك العزم). هذه تشبه إلى حد ما مدرباً مرناً. فبدلاً من مجرد الصراخ، يقوم المدرب بتفكيك أداء الطالب إلى أشكال مختلفة (منحنيات رياضية) ويعاقب فقط الأجزاء التي لا ينبغي أن تكون موجودة. إنها تسمح للذكاء الاصطناعي بأن يكون له "انطلاقة" حادة في البداية (لرفض النفايات الواضحة) ولكنها تجبره على البقاء مسطحاً ومتسقاً بالنسبة للجسيمات طويلة العمر.

النتائج: درجة أكثر تسطحاً وإنصافاً

قام الفريق بتدريب نماذج الذكاء الاصطناعي الخاصة بهم باستخدام هاتين الطريقتين واختبروها على بيانات محاكاة، وبالتحديد بالنظر في مدى جودة عثورهم على جسيمات جمال حقيقية مثل $B^+ \to J/\psi(\mu^+\mu^-)K^+$ و $B^0 \to D^-(K^+\pi^-\pi^-)\pi^+$.

وجدوا أن كلتا الطريقتين ساعدتا، لكنهما تعملان بطرق مختلفة. طريقة DisCo جعلت الذكاء الاصطناعي أقل انتقائية فيما يتعلق بالأعمار المتوسطة، مما حافظ على تسطح الدرجة للأعمار الطويلة، لكنها خفضت الكفاءة الإجمالية قليلاً. ومع ذلك، كانت طريقة MoDe هي نجمة العرض؛ فقد تمكنت من الحفاظ على كفاءة عالية للجسيمات ذات الأعمار المتوسطة مع ضمان بقاء الدرجة مسطحة للجسيمات طويلة العمر.

عندما نظروا إلى بيانات الجسيمات ذات الأعمار التي تزيد عن 4 بيكوثانية (البيكوثانية هي جزء من تريليون من الثانية)، كان الفرق واضحاً. بدون أي مساعدة، انخفضت كفاءة الذكاء الاصطناعي بشكل حاد مع زيادة العمر، بميل قدره حوالي -24.9. طريقة DisCo حسنت ذلك إلى -12.9، لكن طريقة MoDe مع قوة عقوبة $\lambda = 0.2$ خفضت الميل إلى ما يقرب من الصفر (-6.6 لمرشحات الثلاثية الأجسام). هذا يعني أن الذكاء الاصطناعي لم يعد يميز ضد الجسيمات طويلة العمر التي كان من المفترض أن يجدها.

الخاتمة

تخلص الورقة إلى أن الظروف المزدحمة في تشغيل (Run 3) لمصادم الهادونات الكبير قد خلقت نوعاً جديداً من ضجيج الخلفية الذي يربك نظام التشغيل (trigger). ومن خلال استخدام نهج MoDe لإزالة الارتباط بين الشبكة العصبية وأعمار الجسيمات، يمكن لتجربة LHCb ضمان بقاء "حارس الملهى" منصفاً. ستستمر التجربة في السماح بدخول جسيمات الجمال الحقيقية طويلة العمر دون أن تخدعها المسارات المختلطة والمزيفة الناتجة عن الزحام في الملعب. وهذا يضمن أن الدراسات العلمية المستقبلية، التي تعتمد على قياس كيفية تفكك هذه الجسيمات بمرور الوقت، لن تكون منحازة بسبب ارتباك الكمبيوتر نفسه. ويقترح المؤلفون أن هذه الطريقة هي حل قوي للحفاظ على نظافة البيانات ودقة الفيزياء.