Cross-geometry transfer and model collapse in point cloud calorimeter shower generation

تُعد فيزياء الطاقات العالية مجالاً مخصصاً لفهم اللبنات الأساسية للكون من خلال صدم الجسيمات ببعضها البعض بسرعات هائلة. ولتفسير هذه الاصطدامات، يعتمد العلماء على كواشف ضخمة تعمل مثل كاميرات ثلاثية الأبعاد، تلتقط رذاذ الحطام المتطاير عند اصطدام الجسيمات. ويُعد "المسعر" (calorimeter) أحد أهم المكونات لهذه الكواشف، وهو جهاز مصمم لإيقاف الجسيمات وقياس طاقتها من خلال مراقبة كيفية تفتتها إلى شلالات من الجسيمات الأصغر، والمعروفة باسم "الزخات" (showers). إن محاكاة كيفية تطور هذه الزخات داخل الكاشف أمر ضروري لتفسير البيانات الحقيقية، ولكن القيام بذلك باستخدام أكثر الطرق دقة المتاحة حالياً يمثل مهمة حوسبية هائلة؛ إذ قد يستغرق محاكاة حدث واحد دقائق من وقت الكمبيوتر، وهو تأخير يصبح مستحيلاً إدارته مع توليد التجارب المستقبلية لأحجام أكبر بكثير من البيانات.

ولحل هذه العقبة، لجأ الباحثون إلى التعلم الآلي، حيث يتم تدريب الذكاء الاصطناعي للتنبؤ بالنتيجة النهائية لزخة الجسيمات دون الحاجة لمحاكاة كل خطوة من خطوات العملية. ويمكن لهذه البدائل الرقمية أن تكون أسرع بآلاف المرات من الطرق التقليدية. ومع ذلك، لا يزال هناك عائق كبير: معظم نماذج الذكاء الاصطناعي هذه جامدة، فهي تُدرب على الشكل والتخطيط المحدد لكاشف معين، وإذا تغير تصميم الكاشف، يصبح النموذج عديم الفائدة ويجب إعادة تدريبه من الصفر. وهذا عدم الكفاءة يمثل مشكلة لمستقبل الفيزياء، حيث تتطور تصميمات الكواشف باستمرار. والسؤال الذي يواجه المجتمع العلمي هو ما إذا كان بإمكان نموذج تم تدريبه على نوع واحد من الكواشف أن يتعلم الفيزياء الأساسية بشكل جيد بما يكفي للتكيف مع شكل مختلف تماماً دون الحاجة إلى كمية هائلة من البيانات الجديدة.

لقد وضع فريق من الباحثين في جامعة هامبورغ ومختبر DESY في ألمانيا هدفاً للإجابة على هذا السؤال باستخدام نوع محدد من الذكاء الاصطناło يُسمى CaloClouds II. وخلافاً للنماذج القديمة التي ترى زخة الجسيمات كمجموعة من الصناديق الشبكية، يمثل هذا النموذج الزخة كمجموعة من النقاط في الفضاء، وهو تنسيق مرن بطبيعته بما يكفي ليتناسب مع أي شكل للكاشف. بدأ الباحثون بتدريب هذا النموذج على مجموعة بيانات ضخمة من زخات الفوتونات الناتجة عن "الكاشف الخطي الكبير" (International Large Detector)، وهو تصميم لمصادم خطي مستقبلي. يتميز هذا الكاشف بهيكل مسطح ومتعدد الطبقات. وبمجرد أن تعلم النموذج فيزياء كيفية إنشاء الفوتونات للزخات في هذه البيئة المسطحة، حاول الفريق نقل تلك المعرفة إلى سيناريو مختلف تماماً: زخات الإلكترونات في كاشف أسطواني، وهو الشكل المستخدم في مجموعة بيانات CaloChallenge 3. لم تكن هذه البيئة الجديدة مجرد شكل مختلف فحسب، بل كانت تحتوي أيضاً على عدد مختلف من الطبقات، وأبعاد مختلفة، وتتضمن نوعاً مختلفاً تماماً من الجسيمات.

اختبر الفريق ما إذا كان بإمكانهم ببساطة أخذ النموذج المدرب مسبقاً وتعديله قليلاً ليعمل في هذا العالم الأسطواني الجديد، وهي عملية تُعرف باسم "الضبط الدقيق" (fine-tuning). وقارنوا هذا النهج بتدريب نموذج جديد من الصفر باستخدام البيانات الجديدة فقط. وأظهرت النتائج أن النموذج المدرب مسبقاً كان فعالاً بشكل ملحوظ؛ فعندما قدم الباحثون للنموذج مائة مثال فقط من زخات الإلكترونات الجديدة ليتعلم منها، أنتج النسخة المدربة مسبقاً نتائج أقرب بكثير إلى المحاكاة الفيزيائية الدقيقة مقارنة بنموذج تم تدريبه من البداية. وتحديداً، قلل النموذج المدرب مسبقاً الخطأ في تنبؤاته بنحو النصف مقارنة بالبدء من جديد. وكان هذا التفوق أكثر وضوحاً عندما كانت البيانات شحيحة، وهو وضع شائع في الفيزياء حيث يكون توليد بيانات محاكاة جديدة مكلفاً ويستغرق وقتاً طويلاً.

كما استكشف الفريق كيفية جعل هذا التكيف أكثر كفاءة من خلال تحديث جزء صغير فقط من الإعدادات الداخلية للنموذج. واختبروا طريقة تغير فقط "مصطلحات الانحياز" (bias terms)، وهي في الأساس الإعدادات الأساسية للشبكة، مع ترك بقية النموذج دون تغيير. وقد أدى هذا النهج، الذي حدث فقط 17% من المعلمات القابلة للتدريب، إلى أداء يقارب أداء تحديث النموذج بأكته. وهذا يشير إلى أن العمل الشاق لتعلم الفيزياء قد تم بالفعل خلال التدريب الأولي، وأن المهمة الجديدة تطلبت فقط إعادة معايرة طفيفة للمعرفة الموجودة. وتعد هذه النتيجة حاسمة لأنها تعني إمكانية تطوير أدوات محاكاة قوية وقابلة للتكيف دون التكلفة الحوسبية الهائلة لإعادة تدريب كل جزء من الشبكة لكل تصميم جديد للكاشف.

ومع ذلك، بحث الباحثون أيضاً في خطر محتمل لاستخدام نماذج الذكاء الاصطناعي هذه: خطر تدهور النموذج بمرور الوقت إذا تم تدريبه بشكل متكرر على مخرجاته الخاصة. في السيناريو الذي يولد فيه النموذج بيانات وهمية، ثم تُستخدم تلك البيانات الوهمية لتدريب النسخة التالية من النموذج، يبدأ النظام في فقدان اتصاله بالواقع. قام الفريق بمحاكة هذه العملية من خلال جعل النموذج يولد زخات ثم إعادة تدريبه على تلك الزخات المولدة، وتكرار الدورة عبر عدة أجيال. ولاحظوا أن جودة البيانات المولدة بدأت تتراجع ببطء ولكن بثبات؛ حيث بدأت توزيعات الطاقة وأعداد الجسيمات تنحرف عن السلوك الفيزيائي الحقيقي، وهي ظاهرة تُعرف باسم "انهيار النموذج" (model collapse). وهذا يشير إلى أنه بينما تعد هذه البدائل القائمة على الذكاء الاصطناعي أدوات قوية لتسريع عمليات المحاكاة، إلا أنه لا يمكن استخدامها ببساطة لتوليد كميات غير محدودة من بيانات التدريب لنفسها دون أن تفقد دقتها في النهاية.

تُظهر هذه الدراسة أن هندسة كاشف واحد كافية لتعليم النموذج الفيزياء الأساسية اللازمة للتكيف مع شكل مختلف تماماً. فمن خلال التدريب على تصميم واحد والضبط الدقيق على تصميم آخر، حقق الباحثون مستوى من كفاءة البيانات يجعل التطوير السريع لأدوات المحاكاة الجديدة أمراً ممكناً. ورغم أن هذا النهج ليس بديلاً للطرق التقليدية الأكثر دقة، إلا أنه يقدم مساراً عملياً للتعامل مع أحجام البيانات الضخمة المتوقعة في الجيل القادم من تجارب فيزياء الجسيمات. وتشير النتائج إلى أن مستقبل محاكاة الكواشف قد يعتمد أقل على بناء نموذج جديد لكل آلة جديدة، وأكثر على إنشاء أنظمة قابلة للتكيف يمكنها التعلم مرة واحدة وتطبيق تلك المعرفة في كل مكان.