Leveraging Industrial Foundation Models at the Edge of Particle Physics Detectors via Distillation Learning and Hardware Co-design

في سعيها لفهم اللبنات الأساسية للكون، تبني العلوم آلات ذات تعقيد مذهل. تعمل كواشف الجسيمات هذه ككاميرات عملاقة فائقة الحساسية، تلتقط الآثار العابرة للجسيمات دون الذرية وهي تطير عبر الفضاء بسرعة تقارب سرعة الضوء. ولا يكم old التحدي في رؤية هذه الجسيمات فحسب، بل في تسجيلها. إذ تولد التجارب الحديثة تدفقاً هائلاً من البيانات يجعل من المستحيل حفظ كل شيء. يجب على هذه الآلات اتخاذ قرارات في أجزاء من الثانية، لترشيح الأحداث العادية والاحتفاظ فقط بالأحداث النادرة والمثيرة للاهتمام قبل أن تضيع المعلومات إلى الأبد. تحدث عملية الترشيح هذه في الوقت الفعلي، ضمن القيود الفيزيائية والقدرة الضيقة للكاشف نفسه، وهو مكان يُطلق عليه غالباً "الحافة" (the edge) في التجربة. وللتعامل مع هذا، يتجه الباحثون إلى الذكاء الاصطناعي، آملين في تعليم الآلات كيفية التعرف على الأنماط في تدفقات البيانات بشكل أسرع وأكثر دقة من أي وقت مضى.

تستكشف دراسة جديدة أجراها جيا أنكوني وزملاؤه في جامعة ستانفورد ومختبر سلاك الوطني للمسرعات طريقة مبتكرة لجلب هذا الذكاء إلى "الحافة". فبدلاً من تدريب برنامج حاسوبي صغير وبسيط من الصفر لكل مهمة محددة، بدأ الفريق بـ "نموذج تأسيسي" ضخم ومُدرب مسبقاً. فكر في هذا الأمر كذكاء اصطناعي عام تعلم بالفعل فهم إيقاعات وأشكال البيانات المعتمدة على الزمن من مكتبة واسعة من الأمثلة. لقد أخذ الباحثون هذا النموذج العام القوي وطوعوه بعناية لأداء المهمة المحددة المتمثلة في قراءة الإشارات من كواشف الجسيمات. ثم قاموا بتقليص حجم هذا النموذج الكبير، عبر تجريده من التعقيد غير الضروري، لإنشاء نسخة مصغرة يمكنها العمل على الرقائق المتخصصة ومنخفضة الطاقة داخل الكاشف. وقد سمحت هذه العملية، المعروفة باسم "التقطير" (distillation)، بنقل المعرفة العميقة للنموذج العملاق إلى حزمة خفيفة الوزن مناسبة للبيئة القاسية والمحدودة المساحة في مصادم الجسيمات المستقبلي.

اختبر الفريق هذا النهج على نوعين متميزين من كواشف الجسيمات. كان الأول هو "غرفة الانجراف" (drift chamber)، التي تتبع مسار الجسيمات المشحونة عن طريق عد مجموعات صغيرة من الإشارات الكهربائية. والثاني هو "المسعر ثنائي القراءة" (dual-readout calorimeter)، وهو جهاز يقيس طاقة الجسيمات من خلال تحليل المزيج المحدد للضوء الذي تنتجه. وفي كلتا الحالتتين، كان الهدف هو استخراج معلومات فيزيائية دقيقة من الموجات الخام للبيانات. قام الباحثون أولاً بضبط النموذج التأسيسي الكبير ليعمل كـ "معلم"، حيث يعلّم هذا النموذج حل هذه المشكلات الفيزيائية المحددة. ثم قاموا بعد ذلك بتدريب نماذج أصغر وأبسط بكثير، أو "طلاب"، لمحاكاة سلوك المعلم. ومن الأهمية بمكان أن هذه النماذج الطلابية صُممت من الأساس لتكون متوافقة مع مصفوفات البوابات المنطقية القابلة للبرمجة ميدانياً (FPGAs)، وهي نوع من الرقائق الإلكترونية القابلة لإعادة التشكيل المستخدمة عادة في الإلكترونيات عالية السرعة. كما قام الفريق بضغط هذه النماذج عبر إزالة الاتصالات الزائدة وتبسيط الأرقام التي تستخدمها، مما يضمن ملاءمتها لحدود الذاحة والسرعة الصارمة للإلكترونيات الأمامية للكاشف.

كانت نتائج هذه المحاكاة مذهلة. فقد تفوق النموذج التأسيسي الكبير المضبوط بدقة على جميع الطرق السابقة عندما مُنح كامل كمية بيانات التدريب، مما أثبت أن البدء بنموذج مدرب مسبقاً يوفر دفعة كبيرة في الدقة. والأهم من ذلك، أن النماذج الطلابية الصغيرة والمضغوطة قدمت أداءً يضاهي، أو حتى يتفوق على، أفضل الحلول الموجودة المصممة خصيصاً لهذه المهام. ولعل الأمر الأكثر أهمية هو أن النماذج الطلابية المقطرة تعلمت بشكل أسرع بكثير. فعندما أعطى الباحثون النماذج الطلابية جزءاً ضئيلاً فقط من البيانات المتاحة، ظلت تحقق أداءً عالياً، بينما تطلبت النماذج المدربة من الصفر كامل مجموعة البيانات للوصول إلى نفس مستوى الدقة. وفي الواقع، حقق نموذج طالب تدرب على عشرة بالمائة فقط من البيانات أداءً يماثل نموذجاً تدرب على مائة بالمائة. وهذا يشير إلى أنه بالنسبة للتجارب المستقبلية، حيث قد لا تتوفر كميات هائلة من البيانات المصنفة أثناء مرحلة التصميم الأولية، يمكن لهذا الأسلوب أن يقلل بشكل كبير من الوقت والموارد اللازمة لتطوير مرشحات بيانات موثوقة.

تضمنت الخطوة النهائية ترجمة هذه النماذج البرمجية إلى تعليمات عتادية (hardware instructions). نجح الفريق في دمج النماذج الطلابية المضغوطة في تصميمات لرقائق FPGA. كانت هذه التصميمات فعالة للغاية، حيث لم تتطلب معالجات إشارات رقمية متخصصة وعملت بزمن انتقال قدره 25 نانو ثانية فقط. وهذه السرعة كافبة لمواكبة التصادمات السريعة المتوقعة في مسرعات الجسيمات المستقبلية، حيث تتقاطع الجسيمات كل بضع عشرات من النانو ثانية. وتؤكد الدراسة أنه من الممكن أخذ القوة الهائلة للذكاء الاصطناعي ذي النطاق الصناعي، وتقطيرها في شكل صغير بما يكفي ليتناسب مع شريحة الكاشف، وأن يؤدي مهام فيزيائية معقدة في الوقت الفعلي. وبينما تستند هذه النتائج حالياً إلى محاكاة حاسوبية، إلا أنها تقدم مساراً واضحاً للمضي قدماً. فمن خلال الاستفادة من النماذج المدربة مسبقاً والتصميم الذكي للعتاد، قد يتمكن العلماء قريباً من تجهيز كواشفهم بأنظمة ذكية يمكنها غربلة الفوضى في عالم ما دون الذرة بسرعة ودقة غير مسبوقتين.