Learning the Geometry of Collider Events with Metric-Aware Deep Sets

في عالم فيزياء الجسيمات عالي الطاقة، يدرس العلماء اللبنات الأساسية الأكثر جوهرية للكون من خلال صدم البروتونات مع بعضها البعض بسرعة تقترب من سرعة الضوء. تُنتج هذه الاصطدامات رذاذًا فوضويًا من جسيمات جديدة، حيث يحمل كل منها مقدارًا محددًا من الطاقة وينطلق في اتجاه معين. ولإضفاء معنى على هذه الفوضى، يعامل الباحثون كل حدث اصطدام كأنه سحابة فريدة من النقاط في الفضاء، حيث تمثل كل نقطة جسيمًا ويمثل وزنها زخمه. ويتمثل التحدي المركزي في مقارنة هذه السحب: ما مدى تشابه حدث اصطدام بآخر؟ وللإجابة على ذلك، يستخدم الفيزيائيون أداة رياضية تسمى "النقل الأمثل" (optimal transport). تخيل محاولة نقل كومة من التراب من شكل إلى آخر بأقل قدر من الجهد؛ يحسب النقل الأمثل التكلفة الدقيقة لإعادة ترتيب الجسيمات في حدث ما لتتطابق مع شكل حدث آخر. توفر هذه التكلفة، المعروفة باسم "مسافة ناقل الطاقة" (Energy Mover's Distance)، طريقة دقيقة لقياس هندسة هذه الأحداث، مما يسمح للعلماء برصد الشذوذات النادرة أو اختبار النظريات حول كيفية عمل الكون. ومع ذلك، فإن حساب هذه المسافة لملايين الأحداث أمر بطيء للغاية، وغالبًا ما يتطلب ساعات من وقت الكمبيوتر لإجراء مقارنة واحدة، مما يخلق عنق زجاجة للتجارب الحديثة التي تولد كميات هائلة من البيانات.

ولحل هذه المشكلة، طور فريق من الباحثين في جامعة براون ومعهد IAIFI نوعًا جديدًا من الذكاء الاصطناعي المصمم لتعلم هندسة تصادمات الجسيمات دون القيام بالعمل الشاق في كل مرة. لقد أنشأوا شبكة عصبية، وهي نوع من البرامج الحاسوبية التي تتعلم من الأمثلة، لتعمل كبديل سريع للحساب الدقيق البطيء. وبدلاً من مجرد تخمين رقم ما، وضع الباحثون قواعد محددة مباشرة في بنية الشبكة لضمان تصرفها كأداة قياس حقيقية. لقد برمجوا النظام ليفهم أن المسافة من الحدث (أ) إلى الحدث (ب) يجب أن تكون هي نفسها من (ب) إلى (أ)، وأن المسافة بين الحدث ونفسه هي صفر، وأن المسافات لا يمكن أن تكون سالبة. ومن خلال فرض هذه القواعد الهندسية الأساسية، تعلمت الشبكة التنبؤ بتكلفة طاقة نقل الجسيمات بين الأحداث بسرعة ودقة ملحوظتين.

كانت نتائج هذا النهج مذهلة. فعند اختبارها على ملايين أحداث الاصطدام المحاكات، تنبأت الشبكة الجديدة، التي يطلق عليها المؤلفون اسم "شبكة تدفق الجسيمات المدركة للمقاييس" (Metric-Aware Particle Flow Network)، بمسافة الطاقة بمتوسط خطأ يقل عن واحد بالمائة. والأهم من ذلك، أنها حافظت على البنية الهندسية للبيانات بطرق تفشل فيها نماذج التعلم الآلي القياسية غالبًا. فبينما قد تتعلم الشبكة العصبية النموذجية التنبؤ بالرقم الصحيح في المتوسط ولكنها تخطئ في العلاقات بين ثلاثة أحداث مختلفة، احترم هذا النموذج الجديد "متباينة المثلث" (triangle inequality) — وهي قاعدة تنص على أن المسار المباشر بين نقطتين لا يكون أبدًا أطول من مسار يمر عبر نقطة ثالثة. وفي اختبار شمل مليون ثلاثية من الأحداث، انتهكت الشبكة النموذجية هذه القاعدة ما يقرب من مائتين من المرات، حيث وصلت الأخطاء إلى ما يقرب من 150 وحدة طاقة. أما النموذج الجديد فقد انتهك القاعدة مرتين فقط، وكان أكبر خطأ له 5.8 فقط. وهذا يشير إلى أنه من خلال تعليم الكمبيوتر القواعد الهندسية الأساسية، تعلم أن يكون أكثر موثوقية في تنبؤاته، حتى في الحالات التي لم يسبق له رؤيتها.

لعل الميزة الأكثر عملية لهذا النهج الجديد هي سرعته. ففي عالم فيزياء الجسيمات، يحتاج الباحثون غالبًا إلى مقارنة كل حدث في مجموعة بيانات مع كل حدث آخر، وهي مهمة تزداد صعوبة بشكل أسي مع زيادة عدد الجسيمات. حققت الشبكة الجديدة إنتاجية تصل إلى 26 مليون زوج في الثانية على بطاقة رسوميات واحدة، وهي سرعة تفوق بآلاف المرات الحلول الرياضية الدقيقة المستخدمة حاليًا لهذا العمل. وخلافًا للطرق الدقيقة، التي تتباطأ بشكل كبير مع زيادة عدد الجسيمات في الحدث، ظلت سرعة الشبكة الجديدة ثابتة تقريبًا بغض النظر عن مدى تعقيد الاصطدام. ويرجع ذلك إلى أن الشبكة تقوم بتشفير كل حدث مرة واحدة في ملخص مدمج ثم تقارن هذه الملخصات بسرعة، بدلاً من إعادة حساب المسألة بأكملها لكل زوج. وتعني هذه الكفاءة أن التجارب في مصادم الهادرونات الكبير يمكنها من المحتمل تحليل بياناتها بشكل أعمق، والبحث عن أنماط دقيقة كان من الصعب العثور عليها بسبب التكلفة الحسابية العالية سابقًا.

كما اختبر الباحثون ما إذا كان نموذجهم يحترم القوانين الفيزيائية التي تحكم تصادمات الجسيمات، وتحديدًا كيف يتفاعل النظام عندما ينقسم جسيم إلى اثنين أو عند إضافة جسيم صغير منخفض الطاقة. في الفيزياء، لا ينبغي لهذه التغييرات أن تغير وصف الحدث بشكل جذري. وأظهر النموذج الجديد استجابة أفضل بكثير للتغيرات مقارنة بالطرق السابقة، حيث ظل أقرب إلى السلوك الفيزيائي الحقيقي حتى عندما كانت الاضطرابات صغيرة جدًا. وبينما لا يعد النموذج بديلاً مثاليًا للحساب الدقيق ولا يزال يحتوي على أخطاء صغيرة في الحالات القصوى، إلا أن الدراسة تثبت أن إضافة قيود بسيطة ومستهدفة إلى نموذج التعلم الآلي يمكن أن ينتج أداة تتسم بالسرعة والأمانة الهندسية. يقدم هذا النهج مسارًا واعدًا للتعامل مع مجموعات البيانات الضخمة في الفيزياء الحديثة، محولًا عنق الزجاجة المتمثل في الحسابات البطيئة إلى تدفق من الرؤى السريعة والموثوقة.