Towards Retrieval Augmented Generation in High-Energy and Astroparticle Physics

إن عالم فيزياء الطاقات العالية وفيزياء الجسيمات الفلكية هو عبارة عن مكتبة شاسعة ومتوسعة باستمرار. فهي تحتوي على النظريات المتعلقة بأصغر اللبنات الأساسية للمادة وأكثر الأحداث طاقية في الكون، بدءاً من التصادمات داخل مسرعات الجسيمات وصولاً إلى انفجارات النجوم البعيدة. ولعقود من الزمن، اعتمد العلماء على البحث في هذه المكتبة باستخدام قوائم كلمات مفتاحية بسيطة، تماماً مثل البحث عن كتاب معين من خلال عنوانه أو مؤلفه. ومع ذلك، فإن الحجم الهائل للأبحاث الجديدة المنشورة كل عام جعل هذه الطريقة صعبة بشكل متزايد. فقد يطرح باحث سؤالاً معقداً حول ظاهرة معينة، ليجد أن محرك البحث يعيد آلاف النتائج التي تطابق الكلمات ولكنها تفتقر إلى المعنى العميق، أو والأسوأ من ذلك، قد يغفل عن الورقة البحثية الأكثر صلة تماماً لأنها كُتبت بمصطلحات مختلفة.

ولحل هذه المشكلة، قام فريق من الباحثين ببناء نوع جديد من المساعد الرقمي المصمم خصصاً لهذا المجال العلمي. لقد أنشأوا نظاماً لا يبحث فقط عن الكلمات المتطابقة، بل يفهم في الواقع المفاهيم الكامنة وراءها. هذه الأداة، المعروفة باسم "خط أنابيب التوليد المعزز بالاسترجاع" (retrieval-augmented generation pipeline)، تعمل كجسر بين سؤال العالم وقاعدة البيانات الضخمة من الأوراق البحثية المتاحة عبر الإنترنت. وهي تعمل من خلال قراءة وفهم عناوين وملخصات مئات الآلاف من الأوراق البحثية أولاً، وتحويلها إلى تنسيق يلتقط جوهر معناها. وعندما يطرح عالم سؤالاً، يجد النظام الأوراق ذات الصلة الوثيقة بالموضوع، وليس فقط تلك التي تصادف أنها تشترك في بضع كلمات. بعد ذلك، يستخدم نموذج لغة قوياً لقراءة تلك الأوراق المختارة وكتابة تقرير ملخص موجز ودقيق يتضمن استشهادات صحيحة. وهذا يتيح للباحثين والمحررين والمراجعين استيعاب الحالة الراهنة للمعرفة حول أي موضوع ضيق بسرعة دون قضاء أيام في قراءة مئات الوثائق.

بدأ الباحثون بجمع مجموعة ضخمة من الأوراق العلمية من قاعدة بيانات (arXiv)، وهي أرشيف عام ينشر فيه الفيزيائيون أحدث نتائجهم قبل نشرها رسمياً. وقد ركزوا على مجالين محددين: فيزياء الطاقات العالية، التي تدرس الجسيمات والقوى الأساسية، وفيزياء الفيزياء الفلكية عالية الطاقة، التي تبحث في الأحداث الكونية الطاقية. ومن هذا الأرشيف، اختاروا أكثر من 250,000 ورقة بحثية، مع تصفيتها لتشمل فقط تلك المتعلقة بهذه المجالات المحددة. لم يكونوا بحاجة إلى النص الكامل لكل ورقة في هذه الخطوة الأولية؛ إذ كانت العناوين والملخصات، التي تلخص الأفكار والنتائج الرئيسية، كافية. لقد أدخلوا هذه الملخصات في نموذج حاسوبي متخصص مصمم لفهم اللغة العلمية. قام هذا النموذج بتحويل كل ورقة إلى بصمة رقمية فريدة، تُعرف باسم "التضمين" (embedding)، والتي تمثل معنى الورقة في فضاء رياضي. وفي هذا الفضاء، توضع الأوراق التي تناقش أفكاراً متشابهة بالقرب من بعضها البعض، بينما تكون تلك التي تتناول مواضيع مختلفة بعيدة عنها.

ولضمان قوة النظام، اختبر الفريق عدة طرق مختلفة لإنشاء هذه البصمات الرقمية. وقارنوا بين نموذج مدرب خصيصاً على الاستشهادات العلمية وبين نماذج أكثر عمومية. ووجدوا أن النموذج المتخصص، الذي يتعلم من كيفية استشهاد العلماء ببعضهم البعض، كان الأكثر فعالية في تجميع الأوراق حسب محتواها العلمي الفعلي. ثم بنوا محرك بحث يتكون من خطوتين للعثور على الأوراق المناسبة لسؤال ما. الخطوة الأولى تبحث عن الأوراق المتشابهة دلالياً، مما يعني أنها تشترك في نفس المفاهيم الأساسية، حتى لو استخدمت كلمات مختلفة. أما الخطوة الثانية، فتبحث عن الأوراق التي تحتوي على الكلمات المفتاحية المحددة من السؤال. ومن خلال الجمع بين هذين النهجين، يلتقط النظام المعنى الواسع للموضوع والتفاصيل الدقيقة التي قد يبحث عنها الباحث.

بمجرد أن يجمع النظام قائمة كبيرة من الأوراق المحتملة، فإنه يواجه تحدياً جديداً: ليست كل هذه الأوراق مفيدة بنفس القدر. فبعض الأوراق قد تكون مرتبطة بالموضوع ولكنها لا تجيب مباشرة على السؤال المحدد. ولحل ذلك، أضاف الباحثون خطوة تصفية نهائية حيث يعمل نموذج لغة كبير كحكم. يقرأ هذا النموذج السؤال وقائمة الأوراق المرشحة، ثم يختار الأوراق الأكثر صلة فقط. وللتأكد من أن هذا الاختيار عادل وغير متأثر بترتيب عرض الأوراق، قام الباحثون بخلط القائمة مرات عديدة وأخذوا اتحاد جميع الأوراق التي اختارها النموذج. وهذا يضمن أن مجموعة الأوراق النهائية هي الأكثر دقة وشمولية ممكنة.

ومع الحصول على هذه القائمة المنقحة من الأوراق، يقوم النظام بإنشاء تقرير نهائي. يقرأ نموذج اللغة العناوين والملخصات للأوراق المختارة ويكتب ملخصاً قصيراً ومتماسكاً يجيب على السؤال الأصلي. ومن الأهمية بمكان أن النموذج مُطالب بالاستشهاد بالأوراق المحددة التي استخدمها لكل نقطة، مما يجعل الملخص مرتكزاً على أدلة يمكن التحقق منها. اختبر الباحثون هذه العملية برمتها باستخدام مجموعتين مختلفتين من الأسئلة، واحدة لفيزياء الطاقات العالية والأخرى للفيزياء الفلكية. ووجدوا أن طريقة البحث الهجينة الخاصة بهم، جنباً إلى جنب مع خطوات التصفية والتركيب النهائية، كانت متفوقة بمراحل على عمليات البحث التقليدية بالكلمات المفتاحية. لقد نجح النظام في استرجاع الورقة المصدر الصحيحة للغالبية العظمى من الأسئلة، حتى بالنسبة للاستفسارات المعقدة أو الغامضة التي عادة ما تُربك محركات البحث القياسية.

أظهر الفريق قوة نظامهم من خلال إنشاء تقارير عينة حول مواضيع محددة. في أحد الأمثلة، سألوا عن كيفية حساب العلماء لخصائص رياضية معقدة معينة في نظرية مجالات التأثير الفعال. استرجع النظام عشرات الأوراق ذات الصلة وأنتج تقريراً يلخص بدقة الطرق المختلفة المستخدمة، من الحسابات التقليدية إلى التقنيات الأحدث والأكثر كفاءة، مع الاستشهاد بالأعمال المحددة التي قدمتها. وفي مثال آخر، سألوا عن كيفية قيام مصفوفة تلسكوبات معينة بتقييد خصائص المادة المظلمة. أوضح التقرير الناتج بوضوح استراتيجية الرصد، والأهداف المستخدمة، والحدود التي وضعتها البيانات، مع استشهادات دقيقة أيضاً. لم تكن هذه التقارير مجرد مجموعات من الحقائق؛ بل كانت سرديات متماسكة تربط النقاط بين مختلف أجزاء البحث.

يؤكد الباحثون أن هذه الأداة ليست تهدف إلى استبدال الخبراء البشر أو حكمهم. بدلاً من ذلك، هي مصممة للقيام بالعمل الشاق المتمثل في البحث في الأدبيات، مما يسمح للعلماء بالتركيز على التفسير والاكتشاف. ومن خلال أتمتة عملية العثور على العمل ذي الصلة وتلخيصه، يساعد النظام الباحثين على مواكبة التطورات في مجال ينمو بسرعة أكبر مما يمكن لأي فرد قراءته. كما يوفر وسيلة لتحديد الفجوات في المعرفة الحالية أو إيجاد اتجاهات جديدة للبحث بسرعة. والنظام بأكمله مفتوح المصدر، مما يعني أن علماء آخرين يمكنهم استخدامه، وتحسينه، وتكييفه وفقاً لاحتياجاتهم. ويمثل هذا العمل خطوة مهمة للأمام في استخدام الذكاء الاصطناعي لإدارة الانفجار في المعرفة العلمية، وتحويل جبل مهيب من الأوراق البحثية إلى مورد يمكن إدارته والوصول إليه بسهولة للمجتمع العلمي بأكمله.