GNN-based track reconstruction for MUonE experiment

في المشهد الشاسع للفيزياء الحديثة، يبحث العلماء باستمرار عن شقوق في أساس أنجح نظرياتهم، وهي "النموذج القياسي". تعمل هذه النظرية ككتاب قواعد لكيفية عمل الكون عند أصغر مستوياته، ومع ذلك فإنها تترك بعض الأسئلة العميقة دون إجابة. أحد الألغاز الأكثر استمراراً يتعلق بـ "الميون"، وهو جسيم يشبه الإلكترون ولكنه أثقل بكداً. لعقود من الزمن، قامت التجارب بقياس كيفية تذبذب هذا الجسيم في مجال مغناطيسي، وهي خاصية تُعرف باسم "عزمه المغناطيسي الشاذ". وتظهر القياسات باستمرار فرقاً ضئيلاً وعنيداً عما يتنبأ به النموذج القياسي. تشير هذه الفجوة إلى أن قوى أو جسيمات غير معروفة قد تؤثر على الميون، مما يلمح إلى طبقة أعمق من الواقع تنتظر الاكتشاف. ومع ذلك، ولتأكيد ذلك، يحتاج الفيزيائيون إلى قياس هذا التأثير بدقة متناهية، مما يتطلب منهم حساب مساهمة محددة ناتجة عن تفاعل الجسيمات مع فراغ الفضاء. وتعد هذه العملية صعبة للغاية باستخدام الرياضيات التقليدية، لذا تم اقتراح تجربة جديدة تسمى "MUonE" لقياسها مباشرة من خلال مراقبة كيفية تشتت الميونات عن الإلكترونات.

لا يكمن التحدي الذي تواجهه تجربة "MUonE" في الفيزياء فحسب، بل في الحجم الهائل للبيانات التي يجب معالجتها. ستطلق التجربة حزمة من الميونات باتجاه هدف بمعدل 40 مليون مرة في كل ثانية. وبهذه السرعة، يجب على الأنظمة الحاسوبية أن تقرر في جزء من الثانية أي التصادمات مثيرة للاهتمام وأيها مجرد ضوضاء خلفية. إذا كان النظام بطيئاً جداً، فسيفتقد الأحداث النادرة التي قد تكشف عن فيزياء جديدة. وإذا كان عدوانياً جداً في عملية التصفية، فقد يتخلص من الإشارات التي يبحث عنها العلماء بالفعل. تعتمد الطريقة التقليدية لفرز هذه البيانات على خوارزميات معقدة وخطوة بخوة تحاول تجميع مسارات الجسيمات من الإشارات الضئيلة التي تتركها المستشعرات السيليكونية. ورغم دقتها، إلا أن هذه الأساليب ثقيلة حاسوبياً وتكافح لمواكبة الوتيرة المتواصلة للحزمة. ولحل هذه المشكلة، لجأ فريق من الباحثين في بولندا إلى نوع مختلف من الذكاء: نظام تعلم آلي مصمم ليفكر كشبكة من الروابط بدلاً من قائمة خطية من التعليمات.

طوّر الباحثون طريقة جديدة باستخدام "الشبكة العصبية الرسومية" (Graph Neural Network)، وهي نوع من الذكاء الاصطناعي الذي يتفوق في فهم العلاقات بين الأشياء. وبدلاً من معاملة البيانات كشبكة من الأرقام أو صورة، ينظر النظام إلى كاشف الجسيمات كخريطة من النقاط والخطوط؛ حيث تمثل كل نقطة مكاناً اصطدم فيه جسيم بمستشعر، وتمثل الخطوط المسارات المحتملة التي تربط بين تلك الاصطدامات. مهمة الشبكة هي تحديد أي الخطوط هي مسارات حقيقية سلكتها الجسيمات وأيها مجرد مصادفات عشوائية. في النهج التقليدي، قد يحاول الكمبيوتر بناء كل مسار ممكن ثم التحقق مما إذا كان منطقياً، وهي عملية تصبح بطيئة بشكل مستحيل مع زيادة عدد الجسيمات. أما النظام الجديد، فينظر إلى شبكة الروابط بأكملها دفعة واحدة، ويتعلم التعرف على الشكل المحدد لمسار الجسيم الصحيح.

لاختبار هذه الفكرة، استخدم الفريق بيانات محاكاة تحاكي ظروف تجربة "MUonE"، بما في ذلك الترتيب المحدد للمستشعرات وسلوك الميونات والإلكترونات. قاموا بتدريب الشبكة على الآلاف من أحداث المحاكاة هذه، وتعليمها التمييز بين المسارات الحقيقية للجسيمات والروابط الزائفة. كانت النتائج مذهلة؛ فقد نجحت الشبكة في تحديد المسارات الصحيحة بمعدل خطأ يقل عن واحد بالمئة، وهو مستوى من الدقة يضاهي أفضل الطرق التقليدية. والأهم من ذلك، أنها فعلت ذلك بسرعة فائقة؛ فبينما كانت الخوارزميات القديمة تعالج حوالي 3,400 حدث في الثانية على كمبيوتر قوي، تعاملت الشبكة العصبية الجديدة مع أكثر من 31,000 حدث في الثانية. يمثل هذا زيادة بمقدار عشرة أضعاف في السرعة، مما حول "عنق الزجاجة" إلى تدفق سلس.

وبعيداً عن مجرد إيجاد المسارات، أظهر الباحثون أيضاً أن هذا النظام يمكنه التمييز بين الجسيمات نفسها. ولأن الإلكترونات أخف بكثير من الميونات، فإنها ترتد بزوايا أكثر حدة عند اصطدامها. تعلمت الشبكة رصد هذه الاختلافات الدقيقة في زوايا التشتت، وحددت بشكل صحيح ما إذا كان المسار ينتمي إلى إلكترون أم إلى ميون. وعلى الرغم من وقوعها في أخطاء في حوالي 12 بالمئة من حالات تحديد الهوية هذه، إلا أن هذا المستوى من الأداء يعد واعداً لنظام لا يزال في مراحله الأولى. إن القدرة على إجراء كل من إعادة بناء المسار وتحديد هوية الجسيم في آن واحد تشير إلى أن هذا النهج يمكن أن يحل محل عدة خطوات منفصلة في عملية تحليل البيانات.

تكمن أهمية هذا العمل في قدرته على تغيير كيفية عمل تجارب الفيزياء عالية الطاقة. ومن خلال نقل المهمة المعقدة لفرز البيانات من مرحلة "التحليل اللاحق" (offline)، حيث يحلل العلماء النتائج بعد انتهاء التجربة، إلى مرحلة "التحليل الفوري" (online)، حيث تُتخذ القرارات في الوقت الفعلي، يمكن لتجربة "MUonE" التقاط عينة أكبر وأنقى من الأحداث النادرة التي تحتاجها. ويؤكد الباحثون أنه بينما تستند نتائجهم إلى عمليات المحاكاة، فإن الطريقة جاهزة للاختبار على بيانات حقيقية يتم جمعها خلال عمليات الاختبار القادمة للتجربة. وإذا قدم النظام أداءً جيداً على البيانات الواقعية كما فعل في المحاكاة، فقد يوفر السرعة والدقة اللازمتين لحل لغز تذبذب الميون أخيراً، مما قد يفتح نافذة على الفيزياء الجديدة التي تقع وراء فهمنا الحالي.