Fast BIB simulation at a future Muon Collider with generative machine learning

ملخص تقني: محاكاة سريعة لخلفية الحزمة المستحثة (BIB) في مصادم ميونات مستقبلي باستخدام التعلم الآلي التوليدي

بيان المشكلة
تمثل الخلفية المستحثة بالحزمة (BIB)، والناجمة عن نواتج اضمحلال الميونات، تحديًا حاسمًا لتصميم وتشغيل مصادمات الميونات المستقبلية. يؤدي العمر القصير للميون (2.2 ميكروثانية) إلى تدفق هائل من نواتج الاضمحلال (إلكترونات، نيوترونات، فوتونات، نيوترينوهات) تتفاعل مع الكاشف والشبكة المسرعة، مما قد يطغى على الإشارات ذات الأهمية الفيزية الظواهرية. إن تطوير خوارزميات قوية لإعادة بناء الأحداث واستراتيجيات التخفيف يتطلب أحجامًا ضخمة من المحاكاة عالية الدقة لـ BIB.

ومع ذلك، فإن مسارات المحاكاة الكاملة الحالية مكلفة حاسوبيًا بشكل لا يُحتمل. تتضمن العملية القياسية مرحلتين: نشر نواتج الاضمحلال عبر الشبكة المسرعة والحماية باستخدام FLUKA، ثم نقل الجسيمات عبر الكاشف باستخدام Geant4 لتوليد ضربات (hits) المتتبع. تتطلب محاكاة تقاطع حزمة واحدة (تمثل حوالي $10^7$ من اضمحلالات الميون) في المتوسط 134 ثانية من وقت انتشار FLUKA لكل ميون متحلل، بإجمالي يصل إلى $10^7$ ساعة من حسابات HS23. وبناءً على ذلك، تعتمد الدراسات الحالية على عينة محدودة إحصائيًا تمثل حوالي 10% فقط من حدث فريد، وهو ما يتطلب حوالي $10^6$ ساعة من حسابات HS23 لتوليده. يتم تضخيم هذه العينة اصطناعيًا عن طريق نسخ دوارة. العملية مقيدة بمعالج الحوسبة (CPU-bound)، وتنتج بصمات قرص ضخمة (حوالي 100 جيجابايت لكل شعاع)، وتحد من القدرة على اختبار خوارومات إعادة البناء على مجموعات بيانات ذات دلالة إحصائية كبيرة.

المنهجية
يقترح المؤلفون مسار تعلم آلي (ML) توليدي لاستبدال مرحلتي FLKA وGeant4 المكلفتين حاسوبيًا، وذلك عبر توليد ضربات المتتبع مباشرة بناءً على هندسة الكاشف. تركز الدراسة على مفهوم كاشف MAIA لمصادم ميونات بقدر 10 تيرالكترون فولت، وتحديدًا نظامه لتتبع السيليكون بالكامل الذي يتكون من ستة كواشف فرعية تشمل: المتتبعات الرأسية (Vertex)، والداخلية (Inner)، والخارجية (Outer)، وكل منها يحتوي على أقسام أسطوانية (Barrel) ونهايات طرفية (Endcap).

تتضمن المنهجية نمذجة توزيع ضربات BIB الفردية، والتي تتميز بمتجه ملحوظ $(E, t, r, \phi, z)$ مشروط ببيانات فهرسة خلايا الكاشف (الجانب $s$، الطبقة $\ell$، الوحدة $m$، المستشعر $q$). يتم تحويل الطاقة $E$ إلى $\log(E)$ نظرًا لنطاقها الديناميكي الواسع. يستخدم المؤلفون بنيتين توليديتين مختلفتين:

1. نماذج الانتشار الجدولية (GenBIB-Diff): مقتبسة من إطار عمل TabDDPM، حيث تتعلم هذه النماذج الكثافة الشرطية للمتغيرات المستمرة للضربات بناءً على تسميات فئات الكاشف المنفصلة. تستخدم النماذج شبكة إزالة الضجيج (denoising network) مكونة من ست طبقات مخفية (4096 وحدة) وبُعد تضمين مشترك قدره 2048، وتُدرب باستخدام جدول ضوضاء جيب التمام (cosine noise schedule) عبر 1000 خطوة انتشار.
2. تدفقات الالتواء الدائري العصبية (GenBIB-Flow): وهي فئة من الشبكات العصبية القابلة للعكس (normalizing flows) التي تقوم برسم الخرائط إلى فضاء كامن. يستخدم المؤلفون بنية Neural Circular Spline Flow (NCSF) مع 5 كتل من تحويلات الالتواء الدائري. تم اختيار هذه البنية لسرعتها، رغم أن التمثيل الإحداثي المحلي لا يتطلب صرامة في المجالات الدائرية لجميع الميزات.

تمثيل الإحداثيات ومعالجة ما بعد المعالجة
لتحسين أداء النموذج، تم استبدال الزاوية السمتية العالمية $\phi$ بإحداثي محلي بالنسبة لمركز الوحدة أو المستشعر المقابل. بالنسبة للقسم الأسطواني للمتتبع الرأسي (Vertex Barrel)، تم استخدام إحداثي مماس محلي لمراعاة إزاحات الرفوف (stave offsets).

تُطبق خطوات معالجة ما بعد المعالجة لضمان الصلاحية الفيزيائية:

• التقيد بـ Z (Z-snapping): يتم تقريب إحداثيات $z$ لضربات النهاية الطرفية (Endcap) إلى الأسطح المنفصلة للمستشعرات المرجعية للهندسة.
  ৰ قناع الهندسة (Geometry Masking): يتم رفض وإعادة توليد الضربات التي تقع خارج مناطق المستشعرات الصالحة.
• تعيين معرف الخلية (Cell ID Assignment): يقوم بحث يعتمد على شجرة KD بتعيين معرف خلية فريد لكل ضربة مولدة بناءً على موقعها، مما يضمن التوافق مع برامج الرقمنة وإعادة البناء اللاحقة.

النتائج الرئيسية
قام المؤلفون بتدريب نماذج منفصلة لكل من الكواشف الستة الفرعية باستخدام حدث تدريب فريد واحد (يمثل حوالي 10% من تقاطع حزمة كامل). تم تقييم النماذج مقابل بيانات المحاكاة الكاملة عبر مقاييس مستوى الضربات ومستوى المسارات:

• التوافق على مستوى الضربات: تنتج كلا النموذجين توزيعات هامشية لـ $\log(E)$ و $t$ و $r$ و $\phi$ و $z$ تشبه إلى حد كبير المحاكاة الكاملة. وبينما يعاني كلاهما قليلاً مع ميزات محددة في توزيع $\log(E)$ (مثل حدود الطاقة المنخفضة وذيول الطاقة العالية)، أظهرت اختبارات المصنف الثنائي (BDT) درجات ROC AUC قريبة من 0.5 (تتراوح بين 0.52 و 0.61)، مما يشير إلى أن الضربات المولدة لا يمكن تمييزها إلى حد كبير عن ضربات المحاكاة الكاملة.
• التوافق على مستوى المسارات: تمت مقارنة المسارات المعاد بناؤها من ضربات GenBIB مع تلك المستخرجة من المحاكاة الكاملة. عدد المسارات من نوع "Loose" و "UltraTight" المعاد بناؤها من أحداث GenBIB متسق مع المحاكاة الكاملة، مع انخفاض بنسبة ~3% فقط في مسارات "Loose" (يُعزى ذلك إلى فشل الضربات في تعيين معرف الخلية). كما أظهرت التوزيعات الكينماتيكية ($p_T, \eta, \phi$, ومعاملات التأثير $d_0, z_0, \chi^2$) توافقًا جيدًا.
• الكفاءة الحسابية: النتيجة الأكثر أهمية هي تقليل وقت التوليد. بينما تتطلب المحاكاة الكاملة أيامًا أو أسابيع، تولد نماذج ML الضربات في ساعات.
  • التدريب: 17–21 ساعة لنماذج الانتشار؛ 4–13 ساعة لنماذج التدفق.
  • أخذ العينات (Sampling): تستغرق نماذج الانتشار 6–36 ساعة لكل كاشف فرعي؛ بينما تستغرق نماذج التدفق أقل من دقيقتين لكل كاشف فرعي.
  • بشكل عام، يعد نهج ML أسرع بأكثر من رتبة مقدار واحدة مقارنة بالمحاكاة الكاملة الكلاسيكية.

الأهمية والادعاءات
يدعي البحث تقديم أول نماذج تعلم آلي لتوليد سريع لـ BIB خصيصًا في كواشف التتبع لمصادم الميونات. تكمن الأهمية الأساسية في تمكين مجتمع مصادم المونات من توليد عينات BIB في غضة ساعات بدلاً من أيام أو أسابيع، مما يسهل عمليات البحث والتطوير القوية لإعادة بناء الأحداث وتخفيف الخلفية.

يتسم المؤلفون بالتواضع فيما يتعلق بنطاق ادعاءاتهم:

• أقروا بأن النماذج تم تدريبها على حدث "فريد" واحد (وهو نفسه نسخة دوارة من محاكاة جزئية)، مما يعني أن الارتباطات بين الأحداث لا يتم نمذجتها حاليًا.
• أشاروا إلى قيود في نمذجة التفاصيل الدقيقة لتوزيع الطاقة وأخطاء النمذجة المحددة في كواشف الأسطوانة (barrel) لهندسة التدفق.
• لا يدعون أن هذه النماذج هي الحل النهائي لجميع عمليات محاكاة الكاشف، بل هي أداة لتسريع مرحلة التصميم.

يقوم المؤلفون بإتاحة أوزان النماذج، والكود، والبيانات للمجتمع، مما يشير إلى أن هذه النماذج يمكن ضبطها (fine-tuning) لهندسات كاشف أخرى مع حد أدنى من بيانات التدريب الإضافية. يمثل هذا العمل خطوة نحو محاكاة سريعة وقابلة للتوسع لتجارب الفيزياء عالية الطاقة المستقبلية حيث تشكل المحاكاة التقليدية عائقًا.