A High- and Variable-Dimensional Measurement of the $Z$+jets Differential Cross Section with the ATLAS Experiment and Artificial Intelligence

إن مصادم الهادونات الكبير هو آلة بُنيت لتحطيم البروتونات معاً بطاقات عالية جداً لدرجة أنها تتفكك إلى شلال من الجسيمات الأساسية الأصغر. وعندما تحدث هذه الاصطدامات، لا تتطاير الحطام في اتجاهات عشوائية؛ بل تجبر قوانين الفيزياء الشظايا على التكتل معاً في رشقات مخروطية ضيقة تُعرف باسم "النفثات" (jets). وتعد هذه النفثات هي الطريقة الأساسية التي يدرس بها العلماء القوة النووية القوية، وهي الغراء غير المرئي الذي يربط اللبنات الأساسية للمادة معاً. ولعقود من الزمن، حاول الفيزيائيون فهم هذه النفثات من خلال قياس خصائص محددة ومختارة مسبقاً، مثل إجمالي الطاقة أو كتلة الرشقة. ومع ذلك، فإن هذا النهج يشبه محاولة فهم لوحة معقدة من خلال قياس وزنها الإجمالي أو متوسط لونها فقط؛ فهو يغفل التفاصيل الدقيقة لكيفية تطبيق الطلاء فعلياً. وكان التحدي دائماً هو أن البيانات الناتجة عن هذه الاصطدامات ضخمة وذات أبعاد عالية جداً بحيث لا تستطيع الأدوات التقليدية التقاط كل التفاصيل دون فقدان الروابط بينها.

تغير دراسة جديدة أجراها كيفن غريف، وهو باحث في جامعة كاليفورنيا، إيرفاين، طريقة التعامل مع هذه البيانات. فمن خلال العمل مع تجربة ATLAS في مصادم الهادونات الكبير، طور غريف طريقة لقياس إنتاج نوع معين من أحداث الجسيمات، حيث يتم إنشاء بوزون Z إلى جانب رشقة من الجسيمات، دون إجبار البيانات أبداً على الدخول في صندوق مبسط. وبدلاً من اختيار بعض الميزات لقياسها، استخدم الفريق الذكاء الاصطناعي لإعادة بناء الحدث بأكمله، مع الحفاظ على موقع وزخم كل جسيم مشحون مشارك. ويسمح هذا النهج لهم بالنظر إلى البيانات في تعقيدها الخام والكامل، مما يخلق خريطة كاملة للاصطدام بدلاً من مجرد ملخص. والنتيجة هي قياس أكثر تفصيلاً مما تم تحقيقه سابقاً، حيث يكشف عن أنماط في البيانات كانت مخفية سابقاً لأنها كانت شديدة التعقيد بحيث يصعب حسابها.

يتضمن جوهر هذا العمل تقنية تسمى "إزالة الالتفاف" (unfolding)، وهي في الأساس وسيلة لعكس تأثيرات التمويه الناتجة عن الكاشف. فعندما تصطدم الجسيمات بكاشف ATLAS، تسجل الآلة إشاراتها، لكن هذه الإشارات ليست مثالية؛ إذ تكون مشوهة ومبهمة بسبب الآلات نفسها. ولفهم ما حدث بالفعل أثناء الاصطدام، يجب على الفيزيائيين رياضياً إلغاء هذا التشوه. تقليدياً، كان يتم ذلك عن طريق فرز الجسيمات إلى فئات (bins)، مثل وضع كرات رخامية في دلاء بناءً على حجمها. لكن هذه الطريقة تفقد المعلومات حول كيفية ارتباط الكرات ببعضها البعض. وقد استخدم فريق غريف شكلاً متطوراً من الذكاء الاصطناعي، وتحديداً نوعاً من النماذج التوليدية، للقيام بهذا العكس. فبدلاً من فرز الجسيمات في دلاء، تعلم الذكاء الاصطناعي العلاقة بين إشارات الكاشف الفوضوية وفيزياء الاصطدام النقية. ثم طبق هذا المعرفة على البيانات الحقيقية، مما أدى فعلياً إلى إزالة طبقات ضجيج الكاشف للكشف عن الحقيقة الكامنة وراء كل حدث.

سمحت هذه الطريقة للباحثين بقياس المقطع العرضي، أو الاحتمالية، لعملية إنتاج بوزون Z عبر عدد هائل من الأبعاد في وقت واحد. وبينما كانت القياسات السابقة قد تنظر إلى عشرين أو ثلاثين خاصية مختلفة في آن واحد، فقد التقط هذا التحليل الجديد ما يصل إلى 843 بعداً من المعلومات في نفس الوقت. لم يكتفِ الفريق بقياس شيء واحد؛ بل أنشأوا مجموعة بيانات تحتوي على القصة الكاملة للاصطدام. ومن مجموعة البيانات الواحدة هذه، استطاعوا استخراج قياسات للعديد من الكميات الفيزيائية المختلفة دون الحاجة إلى تكرار التجربة أو إعادة إجراء الحسابات المعقدة. الأمر كما لو أنهم التقطوا صورة واحدة عالية الدقة لمشهد معقد، ثم أدركوا لاحقاً أنه يمكنهم استخدام تلك الصورة الواحدة لقياس سرعة سيارة، ودرجة حرارة الهواء، والمسافة بين شجرتين، بدقة تامة، ببساطة من خلال النظر إلى الأجزاء الصحيحة من الصورة.

اختبر الباحثون هذا النهج الجديد من خلال قياس أربعة أنواع محددة من الخصائص الفيزيائية لمعرفة مدى نجاح طريقتهم. أولاً، نظروا في النشاط الأساسي للاصطدام، حيث قاموا بعدّ الجسيمات المشحونة وإجمالي زخمها. ووجدوا أن عمليات المحاكاة الحاسوبية المستخدمة للتنبؤ بهذه الأحداث غالباً ما تخطئ الهدف، حيث تتنبأ بعض المحاكاة بقيم أعلى أو أقل بنسبة ثلاثين بالمائة عما تظهره البيانات الفعلية. ويسلط هذا التباين الضوء على أن فهمنا الحالي لكيفية تشكل الجسيمات وتفاعلها لا يزال غير مكتمل. ثانياً، فحصوا شكل النفثات نفسها، وتحديداً كيفية توزيع الطاقة من مركز النفثة نحو الخارج. ومن خلال استخدام طريقتهم عالية الأبعاد، تمكنوا من التبديل بين طرق مختلفة لتعريف النفثة ورؤية كيف يتغير الشكل فورياً، مما كشف أن بعض ميزات النفثة كانت ناتجة في الواقع عن الطريقة التي تجمع بها الحاسوب الجسيمات، وليس بسبب فيزياء الاصطدام نفسه.

ثالثاً، قاس الفريق خاصية تسمى "ارتباط الطاقة بالطاقة" (energy-energy correlator)، والتي تتبع كيفية ارتباط طاقة الجسيمات بناءً على الزاوية بينها. وهذا القياس صعب لأنه يتطلب النظر في أزواج من الجسيمات عبر نطاق واسع من الزوايا. وقد نجحت الطريقة الجديدة في التقاط هذه العلاقة عبر الحدث بأكم، مما أظهر ثلاثة أنظمة متميزة من السلوك: منطقة تعمل فيها الجسيمات بشكل مستقل، ومنطقة وسطى تتبع فيها قواعد القوة النووية القوية، ومنطقة أخيرة تتصرف فيها كجسيمات حرة. وقد قدم هذا رؤية واضحة ومفصلة لكيفية عمل القوة القوية عند مقاييس مختلفة، مؤكداً التنبؤات النظرية في النطاق الأوسط بينما أظهر أين تخفق النماذج الحالية عند المقاييس الأصغر. وأخيراً، قاس الفريق البعد الجوهري للنفثات، وهو مفهوم يتساءل عن عدد الأرقام المطلوبة فعلياً لوصف هيكل النفثة. ووجدوا أنه رغم ظهور النفثات وكأنها مكونة من عشرات الجسيمات، إلا أن الهيكل الأساسي يمكن وصفه بعدد قليل جداً من الأبعاد. وهذا يشير إلى أن الرشقة المعقدة من الجسيمات محكومة في الواقع بمجموعة أبسط بكثير من القواعد مما تبدو عليه، حيث تتكتل بطريقة تسهل على الحواسيب تعلمها والتنبؤ بها.

تمتد أهمية هذا العمل إلى ما هو أبعد من هذه القياسات المحددة. فمن خلال إثبات إمكانية قياس كامل "فضاء الطور" (phase space) للاصطدام دون فقدان المعلومات، تفتح هذه الدراسة الباب أمام عصر جديد من تحليل فيزياء الجسيمات. إن مجموعة البيانات التي تم إنشاؤها بواسطة هذا القياس ليست قائمة ثابتة من الأرقام، بل هي مورد مرن يمكن للعلماء الآخرين استخدامه لاختبار نظرياتهم والبحث عن ظواهر جديدة. وقد أتاح الباحثون مجموعة البيانات هذه للجمهور، مما يسمح لأي شخص بإسقاط البيانات على أي ظاهرة يرغب في دراستها. وهذا ينقل التركيز من محاولة تخمين القياس المحدد الذي قد يكشف عن فيزياء جديدة إلى إنشاء مكتبة شاملة من البيانات التي يمكن استخراج الإجابات منها لأسئلة لم نفكر فيها بعد.

كما تتناول الدراسة أيضاً أوجه القصور في النماذج الحاسوبية الحالية. فقد وجد الباحثون أنه بينما تعد عمليات المحاكاة جيدة في التنبؤ بالسلوك العام للجسيمات، إلا أنها غالباً ما تفشل في التقاط التفاصيل الدقيقة، لا سيما في كيفية توزيع الجسيمات وتفاعلها عند المقاييس الأصغر. وتشير التباينات بين البيانات والمحاكاة إلى أن النماذج الخاصة بكيفية تشكل الجسيمات إلى "هادرونات" (hadrons)، وهي العملية المعروفة باسم "الهدرنة" (hadronization)، تحتاج إلى صقل. وتوفر البيانات عالية الدقة المقدمة بهذه الطريقة الجديدة وسيلة لضبط هذه النماذج، مما قد يؤدي إلى تنبؤات أكثر دقة للتجارب المستقبلية. وهذا أمر بالغ الأهمية لمرحلة "مصادم الهادونات الكبير عالي السطوع" (High-Luminosity LHC)، وهي الترقية القادمة للمصادم، والتي ستنتج كمية أكبر من البيانات وتتطلب أدوات أكثر دقة لتفسيرها.

في السياق الأوسع للبحث العلمي، يوضح هذا العمل قوة الذكاء الاصطناعي ليس فقط كأداة للتصنيف، بل كوسيلة للاكتشاف الجوهري. فالذكاء الاصطناعي لم يقم فقط بفرز البيانات، بل أعاد بناء الواقع الفيزيائي الكامن وراء الضجيج. ويتحدى هذا النهج الطريقة التقليدية في الفيزياء، حيث غالباً ما يبسط العلماء المشكلات المعقدة لجعلها قابلة للحل. وبدلاً من ذلك، تظهر هذه الدراسة أنه من خلال احتضان التعقيد الكامل للبيانات، يمكننا الكشف عن حقائق كانت غير مرئية سابقاً. ويقترح المؤلف أن هذه الطريقة يجب أن تصبح ممارسة قياسية للتجارب المستقبلية، مما يسمح للمجتمع العلمي بالانتقال من القياسات المجزأة نحو فهم أكثر شمولية لتفاعلات الجسيمات.

تختتم الورقة بالنظر مستقبلاً في إمكانات هذه التقنيات. ويعتقد الباحثون أنه مع استمرار تقدم الذكاء الاصطناعي، فإنه سيسمح للعلماء باستخراج المزيد من المعلومات من البيانات التي يتم جمعها في مصادم الهادونات الكبير. وهم يتصورون مستقبلاً يمكن فيه لأنظمة الذكاء الاصطناعي ليس فقط تحليل البيانات، بل المساعدة أيضاً في تصميم التجارب وتفسير النتائج، مما يسرع وتيرة الاكتشاف. وبينما تركز هذه الدراسة الحالية على نوع معين من الاصطدامات، يمكن تطبيق الأساليب المطورة هنا على عمليات أخرى، مثل إنتاج الكواركات القمة (top quarks) أو بوزونات هيغز. والهدف النهائي هو استخدام هذه الأدوات للعثور على انحرافات عن "النموذج القياسي" (Standard Model)، وهو النظرية الحالية لفيزياء الجسيمات، مما قد يؤدي إلى اكتشاف جسيمات أو قوى جديدة. إن العمل الذي قدمه غريف وفريقه يمثل خطوة حاسمة في ذلك الاتجاه، حيث يقدم طريقة جديدة لرؤية الكون عند مستواه الأكثر جوهرية.