Contrastive Learning for Interpretable Anomaly Detection at Collider Experiments

تخيل مصادم الهادرات الكبير (LHC) كأقوى محطم جسيمات في العالم. إنه يطلق بروتونات على بعضها البعض بسرعة تقترب من سرعة الضوء، مما يخلق انفجاراً فوضوياً من الجسيمات الجديدة. يبحث الفيزيائيون عن "فيزياء جديدة"—جسيمات أو قوى غامضة لا تتوافق مع كتاب القواعد الحالي لدينا، والمعروف باسم "النموذج القياسي". المشكلة هي أن هذه الجسيمات الجديدة تشبه الإبر في كومة قش، مخفية وسط مليارات الاصطدامات العادية والمملة. وللعثور عليها، يستخدم العلماء "كشف الشذوذ" (Anomaly Detection)، وهو يشبه إلى حد كبير حارس أمن في حفلة يتجاهل الحشد المعتاد ولا يوقف إلا من يتصرف بغرابة.

ومع ذلك، فإن حراس الأمن التقليديين لديهم عيبان كبيران. أولاً، غالباً ما يرتبكون بسبب مدى ضجيج الحفلة (طاقة الاصطدام) أو عدد الراقصين (عدد الجسيمات)، فيصنفون أحداثاً طبيعية على أنها مشبوهة لمجرد أنها نشطة طاقياً. ثانًا، عندما يوقف الحارس شخصاً ما، لا يمكنه شرح لماذا. فهو يكتفي بالقول: "هذا الشخص غريب"، دون أن يخبرك ما إذا كان جاسوساً، أو سائحاً تائهاً، أو مجرد شخص يرتدي قبعة مضحكة. تقدم هذه الورقة نظام أمن جديداً وأكثر ذكاءً يسمى ORCA، والذي لا يكتفي فقط برصد الغرباء بشكل أفضل، بل يشرح أيضاً نوع الغرابة التي أظهرونها بدقة.

---

طريقة ORCA: قصة محقق من خطوتين

يقترح المؤلفون، هاوي جيا، ساغار أديبالي، وجوليا غونسكي، إطار عمل جديداً يسمى ORCA (التمثيل المنظم عبر التعلم التبايني لكشف الشذوذ). فكر في ORCA كعملية مكونة من خطوتين مصممة لتنظيف الفوضى في حفلة الجسيمات قبل أن يبدأ حارس الأمن في البحث.

الخطوة 1: "المُصنِّف" (التعلم التبايني)
تخيل أن لديك كومة ضخمة من قطع الليغو المختلطة من مجموعات مختلفة: قلعة، سفينة فضاء، وسيارة سباق. إذا رميتها جميعاً في صندوق، فسيكون من الصعب معرفة أي قطعة تنتمي لأي مجموعة. تحاول الطرق التقليدية إعادة بناء الكومة بأكملها، لكنها غالباً ما ترتبك بسبب القطع الحمراء التي تبدو متشابهة عبر جميع المجموعات.

تستخدم الخطوة الأولى لـ ORCA تقنية تسمى التعلم التبايني (Contrastive Learning). إنها تشبه معلماً فائق الذكاء يأخذ قطع الليغو ويصنفها إلى أكوام متميزة بناءً على نوعها قبل أن تحاول بناء أي شيء. تم تدريب النموذج على 48 عملية مختلفة من النموذج القياسي (الفيزياء "المعروفة")، حيث تم تجميعها في 14 فئة مثل "البوزون المتجه المفرد" أو "زوج التوب". يتعلم النموذج دفع القطع من المجموعات المختلفة بعيداً عن بعضها في مساحة افتراضية، بينما يحافظ على القطع من نفس المجموعة قريبة من بعضها.

النتيجة هي "فضاء تمثيل" (embedding space) عالي التنظيم. فبدلاً من كومة فوضوية من البيانات الخام، أصبح لدى النموذج الآن خريطة مرتبة حيث لكل نوع معروف من أحداث الفيزياء حيه الخاص. هذا يحل المشكلة الأولى: يتوقف النموذج عن الارتباك بسبب الطاقة الهائلة أو عدد الجسيمات لأنه قام بالفعل بتنظيم البيانات حسب ماهية تلك الجسيمات.

الخطوة 2: "حارس الأمن" (المشفر التلقائي)
بمجرد تصنيف البيانات إلى هذه الأحياء المنظمة بدقة، تبدأ الخطوة الثانية. هذا هو المشفر التلقائي (Autoencoder) القياسي، والذي يعمل كحارس أمن. يتم تدريب الحارس فقط على أحداث "الخلفية" (الأشياء العادية والمملة). يتعلم الحارس إعادة بناء تخطيط الأحياء الطبيعية بشكل مثالي.

عندما يأتي حدث جديد، يحاول الحارس إعادة بنائه. إذا كان الحدث طبيعياً، يمكن للحارس إعادة بنائه بسهولة. ولكن إذا كان الحدث شذوذاً (إشارة فيزياء جديدة)، فإنه لا يتوافق مع نمط الأحياء المعروفة. يعاني الحارس في إعادة بنائه، ويصبح "خطأ إعادة البناء" (reconstruction error) كبيراً جداً. درجة الخطأ هذه هي درجة الشذوذ. وبما أن البيانات قد تم تصنيفها بالفعل بواسطة الخطوة الأولى، فإن هذه الدرجة تكون أكثر دقة وأقل عرضة للخداع من قبل الطاقة العالية أو الأحداث المزدحمة.

ما وجدوه: كشف أفضل وتفسير أوضح

اختبر الباحثون ORCA على مجموعة بيانات محاكات لـ 750 مليون اصطدام بين بروتون وبروتون، تحاكي ظروف مصادم الهادرات عالي السطوع (High-Luminosity LHC). وقارنوا ORCA بمشفر تلقائي قياسي ينظر مباشرة إلى البيانات الخام دون خطوة التصنيف.

1. كشف أذكى
أظهرت النتائج أن ORCA أفضل بكثير في رصد الفيزياء الجديدة. عبر جميع أنواع الإشارات المختلفة التي اختبروها، وجد ORCA المزيد من الشذوذات "الحقيقية" مع تجاهل المزيد من الإنذارات "الكاذبة". بلغة الورقة البحثية، فقد حسّن ORCA كلاً من "الاتساع" (إيجاد المزيد من أنواع الإشارات) و"العمق" (إيجادها حتى عندما كانت ضوضاء الخلفية ضخمة). الاستثناء الوحيد كان رنيناً معيناً منخفض الكتلة، حيث لا يزال النموذج يعامله كخلفية، ولكن بالنسبة لكل شيء آخر تقريباً، كان الأسلوب الجديد فائزاً واضحاً.

2. "السبب" وراء "الغرابة"
الجزء الأكثر إثارة في الورقة هو القابلية للتفسير (interpretability). في الماضي، إذا رصد الكاشف حدثاً كـ "غريب"، كان العلماء يُتركون في حيرة من أمرهم. هل كان جسيماً جديداً؟ أم كان خللاً تقنياً؟

مع ORCA، ولأن الأحداث مصنفة في أحياء متميزة، يمكن للعلماء الآن النظر إلى الحدث "الغريب" والسؤال: "أي حي معروف يشبه هذا الحدث أكثر؟". يستخدمون تقنية إحصائية تسمى مطابقة القوالب (template fit). تخيل أن لديك ضيفاً غامضاً في الحفلة. بدلاً من مجرد القول "إنه غريب"، يمكنك القول: "هذا الضيف يشبه بنسبة 80% سائحاً تائهاً من حي 'زوج التوب' وبنسبة 20% جاسوساً من حي 'دي-هيغز'".

توضح الورقة ذلك من خلال "حقن" إشارات جديدة مزيفة في البيانات. عندما فعلوا ذلك، استطاع ORCA عد الإشارات المزيفة بدقة وتحديد العملية الفيزيائية المعروفة التي تشبهها بشكل صحيح. على سبيل المثال، إذا حقنوا إشارة "دي-هيغز" دون إخبار النموذج بوجودها، فقد صنف النموذج الأحداث بشكل صحيح على أنها تشبه أحداث "زوج التوب"، مما كشف أن النموذج قد تعلم البنية الفيزيائية الأساسية (مثل عدد الجسيمات في الحالة النهائية) حتى دون أن يُخبر بذلك صراحة.

الخلاصة

تشير هذه الورقة إلى أنه بإضافة خطوة "تصنيف" قبل خطوة "البحث"، يمكننا جعل كشف الشذوذ في مصادمات الجسيمات أكثر قوة وفهماً. الأمر لا يتعلق فقط بإيجاد الإبرة في كومة القش؛ بل يتعلق بالقدرة على وصف شكل الإبرة ولونها وأصلها بمجرد العثور عليها.

يؤكد المؤلفون أن هذه النتيجة هي مبنية على المحاكاة. لقد اختبروها على مجموعة بيانات من 750 مليون اصطدام محاكى، وليس على بيانات حقيقية من مصادم الهادرات بعد. ومع ذلك، فإن إطار العمل مصمم ليكون نموذجياً. يمكن استبدال "المُصنِّف" بنسخة أسرع للعمل على أجهزة التشغيل الفعلية، ويمكن أن يكون "الحارس" أي كاشف شذوذ آخر. وهذا يفتح الباب أمام التجارب المستقبلية في العالم الحقيقي ليس فقط للعثور على الفيزياء الجديدة، بل للبدء فوراً في فهم ماهيتها.