Calibration of electromagnetic shower features in the CMS calorimeter with machine-learning techniques

في عالم فيزياء الطاقات العالية، لا يكتفي العلماء بمجرد النظر إلى الجسيمات؛ بل يقومون ببنائها، على الأقل في عقولهم. لفهم ما يحدث عندما تتصادم البروتونات بسرعة تقترب من سرعة الضوء، يعتمد الباحثون على عمليات محاكاة حاسوبية هائلة. تعمل هذه النماذج الرقمية كمرآة للواقع، حيث تتنبأ بكيفية سلوك الجسيمات، وكيفية تشتتها، وكيف ستترك أثرها في الكاشف. إذا تطابقت المحاكاة مع البيانات الحقيقية التي جمعتها الآلات العملاقة، يمكن للعلماء الوثوق بالنموذج لكشف أسرار الكون. ولكن إذا كانت المحاكاة غير دقيقة قليلاً — إذا أخطأت في تمثيل الطريقة التي يطلق بها الجسيم شلالات من الطاقة أو يتفاعل بها مع مادة الكاشف — فإن تلك الأخطاء الصغيرة يمكن أن تتحول إلى أخطاء جسيمة، مما يخفي اكتشافات جديدة أو يخلق اكتشافات زائفة. والهدف دائماً هو جعل المرآة الرقمية مثالية قدر الإمكان، بحيث عندما يرى العالم إشارة في البيانات، يعرف أنها حقيقية وليست مجرد خلل في الكود البرمجي.

هذا هو التحدي الذي يواجهه تعاون CMS، وهو فريق من الفيزيائيين يعملون مع كاشف "المون الملتوي المدمج" (Compact Muon Solenoid) في سيرن (CERN). في دراسة حديثة، عالجوا مشكلة مستمرة: كانت عمليات المحاكاة الحاسوبية لديهم لـ "الشلالات الكهرومغناطيسية" — وهي تعاقبات من الطاقة تنتج عن الإلكترونات والفوتونات — لا تتطابق تماماً مع البيانات الواقعية التي جُمعت خلال تصادمات بروتون-بروتون في عام 2022. كانت التباينات دقيقة ولكنها جوهرية، لا سيما في شكل ترسبات الطاقة ومدى عزلة الجسيمات عن محيطها. ولإصلاح ذلك، لجأ الفريق إلى تعلم الآلة، ليس لاستبدال نماذج الفيزياء الخاصة بهم، بل لتعليم عمليات المحاكاة كيف تبدو أكثر شبهاً بالواقع. لقد طوروا طريقتين متمايزتين لإعادة معايرة الأحداث الرقمية، مما أدى فعلياً إلى تدريب الكمبيوتر على تصحيح أخطائه الخاصة قبل تحليل البيانات.

بدأ الباحثون بعينة نظيفة ومفهومة جيداً من الأحداث: اضمحلال بوزون Z إلى إلكترون وبوزيترون. ومن خلال اختيار هذه الأحداث المحددة، استطاعوا عزل تدفق نقي من الشلالات الكهرومغناطيسية، خالٍ من ضجيج تفاعلات الجسيمات الأخرى. ثم قارنوا سمات هذه الشلالات في المحاكاة مقابل السمات المرصودة في البيانات الفعلية التي جمعها كاشف CMS. جاءت البيانات من 26.7 فيمتوفارن من التصادمات عند طاقة مركز الكتلة تبلغ 13.6 تيرا إلكترون فولت. أظهرت المحاكاة، رغم جودتها العامة، انحرافات في كيفية انتشار الطاقة عبر بلورات الكاشف ومدى تسرب الطاقة إلى المناطق المحيطة. هذه الاختلافات تعني أن خوارزميات تحديد هوية الجسيمات في الكمبيوتر، والتي تقرر ما إذا كانت الإشارة هي إلكترون حقيقي أم مجرد محاكٍ للخلفية، كانت تتلقى معلومات خاطئة قليلاً.

ولجسر هذه الفجوة، طبق الفريق تقنيتين مختلفتين من تقنيات تعلم الآلة. النهج الأول، المسمى "إعادة الوزن" (reweighting)، يعمل من خلال تعيين درجة أهمية جديدة لكل حدث محاكى. تخيل فصلاً دراسياً يطلب فيه المعلم من الطلاب رفع أيديهم إذا كانوا ينطبق عليهم وصف معين. إذا كان لدى المحاكاة عدد قليل جداً من الطلاب الذين ينطبق عليهم هذا الوصف مقارنة بالفصل الحقيقي، يخبر المعلم هؤلاء الطلاب القلائل أن يُحسب كل منهم كشخصين أو ثلاثة. وبالمثل، تعلم مصنف تعلم الآلة التمييز بين المحاكاة والبيانات الحقيقية، ثم حسب نسبة، ليخبر المحاكاة فعلياً: "هذا الحدث يشبه البيانات الحقيقية قليلاً، لذا احسبه أكثر"، أو "هذا الحدث مختلف جداً، لذا احسبه أقل". عدلت هذه الطريقة احتمالية حدوث كل حدث دون تغيير الحدث نفسه، مما خلق تصحيحاً مستمراً يمكن تطبيقه عبر فضاء معقد وعالي الأبعاد من السمات.

أما الطريقة الثانية، المعروفة باسم "التدفق الطبيعي" (normalizing flow)، فقد اتخذت مساراً أكثر مباشرة. فبدلاً من مجرد تغيير مقدار ما يمثله الحدث، قامت هذه التقنية بتغيير قيم السمات داخل المحاكاة فيزيائياً. لقد تعلمت تحولاً رياضياً يمكنه تغيير توزيع الشلالات المحاكية لتصبح مثل توزيع الشلالات الحقيقية. إذا كان الشلال المحاكى ضيقاً جداً، فإن "التدفق" سيقوم بتوسيعه؛ وإذا كان معزولاً جداً، فسيقوم "التدفق" بتقريبه من جيرانه. كانت هذه العملية تشبه إعادة تشكيل الطين: المادة تظل كما هي، لكن شكلها يتم تعديله ليتناسب مع قالب. ومن الأهمية بمكان أن هذا التحول تم تعلمه ليكون مشروطاً بالخصائص الحركية للحدث، مثل زخم الجسيم وموقعه، مما يضمن تطبيق التصحيح بشكل صحيح بغض النظر عن مكان أو سرعة حركة الجسيم.

تم اختبار كلتا الطريقتين على مجموعة منفصلة من البيانات لم ترها الخوارزميات أثناء التدريب. كانت النتائج مذهلة. قبل التصحيح، أظهرت درجات تحديد هوية الجسيمات المحاكية عدم تطابق واضح مع البيانات الحقيقية، خاصة في أطراف التوزيعات حيث تحدث الأحداث النادرة. بعد تطبيق تصحيحات "إعادة الوزن" أو "التدفق الطبيعي"، تحسن الاتفاق بين المحاكاة والبيانات بشكل كبير. اصطفت أشكال التوزيعات، وانخفضت التباينات التي كانت تتطلب سابقاً هوامش أمان كبيرة في القياسات العلمية بشكل ملحوظ. وجد الباحثون أن كلتا التقنيتين نجحتا في تصحيح فضاء السمات عالي الأبعاد، حيث لم تكتفيا بتصحيح المتغيرات الفردية فح Bl، بل شملت أيضاً الارتباطات المعقدة بينها.

ومع ذلك، كان للطريقتين نقاط قوة وقيود مختلفة. كانت طريقة "إعادة الوزن" ممتازة في الحفاظ على الهيكل العام للمحاكاة مع تعديل الأوزان، لكنها قد تواجه صعوبة أحياناً في المناطق التي تختلف فيها المحاكاة والبيانات بشكل كبير، مما يؤدي إلى تصحيحات أوزان ضخمة تقلل من القوة الإحصائية للعينة. في بعض الحالات، اضطر الفريق إلى استبعاد سمات معينة من التدريب لمنع هذه التقلبات الكبيرة. أما طريقة "التدفق الطبيعي"، فقد كانت قادرة على التعامل مع الاختلافات الكبيرة بمرونة أكبر من خلال إعادة تشكيل البيانات مباشرة، لكنها تطلبت إعادة تقييم السمات المصححة من خلال خوارزمية تحديد هوية الجسيمات، مما أضاف خطوة إضافية إلى العملية. علاوة على ذلك، بينما حافظت طريقة "إعادة الوزن" طبيعياً على قوانين الفيزياء من خلال ترك قيم الأحداث دون تغيير، كان لزاماً مراقبة طريقة "التدفق الطبيعي" بعناية لضمان عدم خلق تكوينات غير فيزيائية، رغم أن الفريق وجد أن هذا الخطر ضئيل بالنسبة لتطبيقهم المحدد.

أظهرت الدراسة أنه يمكن تطبيق تقنيات تعلم الآلة هذه بنجاح على بيانات التصادم الحقيقية، وهي خطوة كبيرة للأمام من الاختبارات السابقة التي اعتمدت فقط على بيانات وهمية محاكة. ومن خلال تصحيح المحاكاة لتتطابق مع البيانات، أظهر الباحثون أنه يمكنهم تقليل حالات عدم اليقين المنهجي التي تعيق مثل هذه القياسات عادةً. وهذا يعني أن التحليلات المستقبلية، مثل البحث عن بوزون هيجز وهو يتحلل إلى فوتونين، يمكن إجراؤها بدقة أكبر. كما سلط العمل الضوء على أهمية تحديد المواضع التي تفشل فيها عمليات المحاكاة؛ إذ أشارت التصحيحات الكبيرة التي طلبتها الخوارزميات مباشرة إلى مناطق محددة في نمذجة الكاشف، مثل عتبات الضوضاء في المقياس المساري للحادرونات (hadronic calorimeter)، والتي تمكن الفريق من إصلاحها في النسخ المستقبلية من المحاكاة.

في نهاية المطاف، يوفر هذا البحث مجموعة أدوات جديدة لفيزيائيي الجسيمات. إنه يوضح أن تعلم الآلة يمكن أن يفعل أكثر من مجرد تصنيف الجسيمات؛ يمكنه أن يعمل كأداة معايرة، لتعليم عمليات المحاكاة كيف تكون أكثر صدقاً بشأن الواقع الذي تحاول وصفه. ومن خلال تقديم تصحيحات مستمرة وغير مقسمة (unbinned) عبر فضاءات عالية الأبعاد، تسمح هذه الطرق للعلماء بتجاوز التعديلات البسيطة المقسمة (binned) التي غالباً ما تفقد الفروق الدقيقة في البيانات المعقدة. إن نجاح هذه التقنيات في كاشف CMS يشير إلى أنها ستصبح جزءاً قياسياً من سلسلة التحليل، مما يساعد في شحذ التركيز في البحث عن فيزياء جديدة وضمان أن تكون الإشارات التي يجدها العلماء واضحة وموثوقة قدر الإمكان. وتخلص الورقة البحثية إلى أنه بينما تعتبر هذه الأساليب قوية، إلا أنه يجب تطبيقها بعناية، مع فهم حدودها المحددة وطبيعة البيانات التي تصححها، لضمان أن تعكس المرآة الرقمية الكون بأعلى درجات الدقة الممكنة.