Learning Astrophysical Uncertainties in Dark Matter Direct Detection with Simulation-Based Inference

في أعماق الكون، معظم المادة ليست هي تلك الأشياء التي يمكننا رؤيتها أو لمسها أو قياسها بالأدوات العادية. إنها مادة غير مرئية، لا تُعرف إلا من خلال الطريقة التي تجذب بها النجوم والمجرات بجاذبيتها. يطلق العلماء على هذه المادة اسم "المادة المظلمة"، وبينما نعلم أنها تشكل حوالي ربع كل ما هو موجود، فليس لدينا أدنى فكرة عما تتكون منه. يشير أحد الأفكار الرائدة إلى أنها تتكون من جسيمات ثقيلة وبطيئة الحركة نادراً ما تصطدم بالمادة العادية. وإذا وجدت هذه الجسيمات، فمن المفترض أن تصطدم أحياناً بنوى الذرات داخل كاشف على الأرض، مما يؤدي إلى إحداث ومضة ضوء صغيرة وإشارة كهربائية ضئيلة. إن العثور على هذه الإشارة الخافتة سيكون اكتشافاً هائلاً، يكشف عن الطبيعة الحقيقية للكون المظلم.

التحدي يكمن في أن هذه الإشارات نادرة للغاية ومن السهل الخلط بينها وبين الضوضاء الخلفية الناتجة عن النشاط الإشعاعي الطبيعي أو الأشعة الكونية الأخرى. وللعثور عليها، يستخدم العلماء خزانات ضخمة من الزينون السائل، المبرد إلى درجات حرارة قريبة من الصفر المطلق، والمدفون في أعماق تحت الأرض للحماية من التداخل الكوني. عندما يصطدم جسيم من المادة المظلمة بذرة زينون، فإنه ينتج إشارتين متمايزتين: ومضة ضوء وانفجار من الإلكترونات. ومن خلال قياس النسبة بين هاتين الإشارتين، يمكن للباحثين معرفة ما إذا كان الحدث قد نتج عن جسيم من المادة المظلمة أم عن جسيم خلفي شائع. ومع ذلك، فإن النمط الدقيق لهذه الإشارات يعتمد على مدى سرعة تحرك جسيمات المادة المظلمة وهي تمر عبر مجرتنا. وهذه السرعة ليست معروفة بيقين تام، كما أن الافتراضات المختلفة حول بنية المجرة يمكن أن تغير شكل الإشارة.

في دراسة جديدة، طور الباحثان فيليكس كاهلوفر ونيكلاس ريوس من معهد كارلسروه للتكنولوجيا في ألمانيا طريقة ذكية للتعامل مع حالة عدم اليقين هذه. فبدلاً من محاولة حساب صيغ رياضية معقدة لمراعاة كل تباين محتمل في بنية المجرة، استخدما طريقة تسمى "الاستدلال القائم على المحاكاة". لقد بنيا برنامجاً حاسوبياً تعلم كيفية التمييز بين إشارة المادة المظلمة والضوضاء الخلفية من خلال دراسة الملايين من الأمثلة المحاكية. وفي عمليات المحاكاة هذه، عُرضت على الحاسوب بيانات تم توليدها تحت افتراضات عديدة ومختلفة حول سرعة تحرك جسيمات المادة المظلمة. ومن خلال التدريب على هذا التنوع الواسع من السيناريوهات، تعلم الحاسوب تجاهل التفاصيل المحددة لحركة المجرة والتركيز فقط على السمات الجوهرية التي تشير إلى اصطدام المادة المظلمة.

اختبر الباحثون هذا النهج باستخدام نموذج لتجربة "XENONnT"، وهي واحدة من أكثر كواشف المادة المظلمة حساسية والتي تعمل حالياً. لقد أنشأوا توأماً رقمياً للكاشف، يحاكي كيفية استجابته لجسيمات المادة المظلمة ذات الكتل وقوة التفاعل المختلفة. ثم قاموا بتدريب شبكة عصبية، وهي نوع من الذكاء الاصطناعي، لتعمل كمصنف. عُرضت على هذه الشبكة أزواج من البيانات: مجموعة واحدة حيث تكون إشارة المادة المظلمة حاضرة، ومجموعة أخرى حيث تكون غائبة. وكان الهدف هو أن تتعلم الشبكة قاعدة يمكنها التمييز بين الاثنين، مما يحسب فعلياً احتمالية أن تكون مجموعة معينة من الملاحظات ناتجة عن مصدر مادة مظلمة بدلاً من الضوضاء العشوائية.

إن ما يجعل هذا الأسلوب قوياً بشكل خاص هو كيفية تعامله مع السرعة المجهولة لجسيمات المادة المظلمة. في التحليل التقليدي، غالباً ما يضطر العلماء إلى تثبيت سرعة هذه الجسيمات عند قيمة معيارية واحدة، مما قد يؤدي إلى حدوث أخطاء إذا كانت تلك القيمة خاطئة. أما في هذا النهج الجديد، فقد أدرج الباحثون ببساطة العديد من نماذج السرعة المختلفة في بيانات التدريب. فتعلم الحاسوب التعامل مع السرعة كمتغير يمكن أن يكون أي شيء ضمن نطاق معقول. ونتيجة لذلك، عندما تقدم الشبكة تنبؤاً، تكون قد أخذت في الاعتبار بالفعل كل تلك الاحتمالات المختلفة. وهكذا، يتم استبعاد عدم اليقين بشأن بنية المجرة من خلال المتوسط، مما يترك إجابة واضحة حول المادة المظلمة نفسها دون الحاجة إلى إجراء حسابات إضافية لكل قطعة جديدة من البيانات.

أظهرت الدراسة أن هذا الأسلوب يعمل بشكل جيد للغاية. فعندما اختبر الباحثون الشبكة المدربة باستخدام بيانات محاكية، أنتجت نتائج تطابق توقعات أكثر الأساليب الإحصائية الراسخة المستخدمة في هذا المجال. نجحت الشبكة في تحديد الكتلة الصحيحة وقوة التفاعل لجسيمات المادة المظلمة في عمليات المحاكاة، حتى عندما كانت البيانات مشوشة أو عندما كانت الافتراضات الأساسية حول المجرة مختلفة تماماً عن النموذج القياسي. وفي الواقع، كان أداء الشبكة ممتازاً لدرجة أنها استطاعت التعامل مع السيناريوهات القصوى حيث تكون الافتراضات القياسية خاطئة تماماً، ومع ذلك أنتجت نتائج موثوقة. وهذا يشير إلى أن الطريقة قوية ويمكنها التكيف مع واقع الكون الفوضوي بشكل أفضل من التقنيات القديمة.

ولعل الأهم من ذلك هو أن الباحثين أثبتوا أنه يمكن توسيع نطاق هذا النهج بسهولة. فمع زيادة حساسية التجارب وتعمقها في "ضباب النيوترينو" — وهو خلفية من إشارات النيوترينوات الشمسية التي ستعوق في النهاية إشارة المادة المظلمة — ستزداد الحاجة إلى مراعاة حالات عدم اليقين الأكثر تعقيداً. ستعاني الطرق التقليدية مع هذا، حيث ستتطلب كميات هائلة من القدرة الحوسبية لإعادة تشغيل الحسابات لكل متغير جديد. ومع ذلك، فإن طريقة المحاكاة تتعامل مع هذا التعقيد أثناء مرحلة التدريب. وبمجرد تدريب الشبكة، يمكنها تحليل البيانات الجديدة فوراً، بغض النظر عن عدد النماذج الفيزيائية الفلكية المختلفة التي تم تضمينها في التدريب. وهذا يجعلها أداة عملية وفعالة للجيل القادم من عمليات البحث عن المادة المظلمة.

تؤكد النتائج أن الذكاء الاصطناعي يمكن أن يكون شريكاً حيوياً في البحث عن المادة المظلمة، ليس من خلال استبدال الفهم البشري، بل من خلال تولي المهام الشاقة للإحصاء المعقد. فمن خلال التعلم من مكتبة واسعة من الأكوان المحاكية، يمكن للحاسوب العثور على الإشارة وسط الضوضاء بوضوح يضاهي أفضل الأساليب التي صممها البشر. هذا لا يعني أنه قد تم العثور على المادة المظلمة؛ فلم يتم رصد أي إشارة بعد. ولكن هذا يعني أنه عندما تبدأ التجربة التالية، سيكون لدى العلماء أداة أكثر حدة ومرونة لتفسير البيانات، جاهزة للتمييز بين اكتشاف حقيقي وبين مجرد خدعة ضوئية، حتى لو تصرفت المجرة بطرق لم نتوقعها.