Optimising Geometric Deep Learning for Varied Reconstruction Tasks in High Granularity Calorimeters

في قلب الفيزياء الحديثة، يبني العلماء آلات لرؤية الكون عند أصغر مقاييسه. هذه الآلات، التي تسمى كواشف الجسيمات، تعمل مثل كاميرات فائقة السرعة ودقيقة للغاية، تلتقط الآثار العابرة التي تتركها الجسيمات دون الذرية عندما تصطدم ببعضها البعض بسرعات تقترب من سرعة الضوء. ومع ازدياد قوة هذه الآلات، تصبح أكثر تفصيلاً أيضاً. تخيل كاميرا كانت تلتقط صورة ببضعة آلاف من البكسلات، والآن تلتقط واحدة بملايين البكسلات. هذه الزيادة في التفاصيل، المعروفة باسم "التحبب" (granularity)، تسمح لعلماء الفيزياء برؤية الجسيمات الفردية بوضوح أكبر، حتى عندما تكون متجمعة معاً. ومع ذلك، فإن هذا الفيض من التفاصيل يخلق مشكلة هائلة: كمية البيانات ضخمة جداً لدرجة أن الطرق الحاسوبية التقليدية تكافح لمعالجتها بالسرعة الكافية لتكون مفيدة. التحدي لا يكمثل فقط في النظر إلى البيانات، بل في فرز الفوضى الناتجة عن ملايين الإشارات الصغيرة لمعرفة ما حدث بالضبط في جزء من الثانية.

ولحل هذه المشكلة، طور باحثون في المدرسة المتعددة التقنيات (École Polytechnique) في فرنسا طريقة جديدة لتعليم الحواسيب كيفية فهم هذه الأنماط المعقدة. لقد لجأوا إلى نوع من الذكاء الاصطناعي يسمى "الشبكة العصبية الرسومية" (Graph Neural Network). فبدلاً من التعامل مع بيانات الكاشف كشبكة بسيطة من الأرقام، مثل صورة فوتوغرافية قياسية، يعاملونها كخريطة من الاتصالات. في هذه الخريطة، كل إشارة صغيرة من الكاشف هي نقطة، والخطوط التي تربط بينها تمثل مدى قرب تلك الإشارات من بعضها البعض. هذا النهج أكثر ملاءمة للأشكال غير المنتظمة والفوضوية التي تتركها الجسيمات. ومع ذلك، فإن بناء هذه الخرائط عادة ما يكون بطيئاً ومكلفاً جداً للحاسوب، خاصة عندما يكون هناك ملايين النقاط للربط بينها. أدرك الباحثون أنه نظراً لأن التخطيط الفيزيائي للكاشف ثابت ومعروف، فقد استطاعوا استخدام هذه المعرفة لجعل العملية أسرع بكثير دون فقدان أي دقة.

اختبر الفريق أفكارهم على نسخة محاكية لكاشف عالي التقنية، يشبه ذلك المخطط له في مصادم الهادرونات الكبير. لقد أنشأوا نظاماً يمكنه أخذ البيانات الخام الفوضوية وتحويلها إلى إجابات واضحة حول ماهية الجسيمات الموجودة. أولاً، بنوا أداة لتحديد نوع الجسيم. في بيئة مزدحمة، يمكن للإلكترون أو الفوتون أو الميون أو البيونون أن يبدو متشابهاً جداً. نجح النظام الجديد في التمييز بين خمسة أنواع مختلفة من الجسيمات، بما في ذلك الحالات الصعبة حيث يتداخل فوتونان. فعل ذلك من خلال تعلم "الشكل" الفريد لترسب الطاقة الذي يتركه كل جسيم. على سبيل cử، تترك الميونات مساراً واحداً رفيعاً، بينما ينشئ الإلكترونات والفوتونات زخماً من الطاقة المنتشرة. كان النظام فعالاً للغاية لدرجة أنه استطاع التمييز بين إلكترون واحد وزوج من الفوتونات بدقة عالية، وهي مهمة صعبة للغاية بالنسبة للطرق القديمة.

بعد ذلك، تناول الباحثون مهمة قياس طاقة هذه الجسيمات. عندما يصطدم جسيم بالكاشف، فإنه يترك وراءه أثراً من ترسبات الطاقة. الهدف هو جمع هذه الترسبات لإيجاد إجمالي طاقة الجسيم الأصلي. أنشأ الفريق نموذجاً يمكنه القيام بذلك بدقة مذهلة، مطابقةً الحدود النظرية لما يمكن أن يحققه الكاشف. كما أظهروا أن هذه العملية يمكن تقسيمها وتشغيلها على العديد من المعالجات الحاسوبية في وقت واحد. ومن خلال تقسيم الكاشف إلى أقسام ومعالجة البيانات بالتوازي، تمكنوا من تسريع الحساب بشكل كبير دون التضحية بجودة النتيجة. وهذه خطوة حاسمة نحو استخدام هذه الأنظمة في الوقت الفعلي، حيث يجب اتخاذ القرارات في أجزاء من المليون من الثانية (microseconds).

أخيراً، عالج الفريق السيناريو الأكثر صعوبة: عندما يصطدم جسيمان بالكاشف في نفس المكان تقريباً، تتداخل إشاراتهما وتندمج معاً. هذا يشبه محاولة قراءة ملاحظتين مكتوبتين بخط اليد ومتداخلتين. بنى الباحثون نظاماً يمكنه فصل هذه الإشارات المختلطة، وتحديد مقدار الطاقة التي تنتمي للجسيم الأول ومقدار الطاقة التي تنتمي للثاني بدقة. لقد حققوا ذلك من خلال تدريب الحاسوب على التنبؤ بمكان دخول كل جسيم إلى الكاشف وكيفية توزيع طاقته. ورغم أن النظام لم يكن مثالياً، إلا أنه كان يؤدي بنفس كفاءة طرق أكثر تعقيداً وبطئاً، مما يثبت أن نهجاً أبسط وأسرع يمكن أن يعمل بنفس الجودة.

تم دمج كل هذه الأدوات المنفصلة في مخطط واحد مرن يسمى "HIBOU". يوضح هذا التصميم كيف يمكن لأجزاء عملية إعادة البناء المختلفة أن تعمل معاً بطريقة تركيبية (modular). جزء يحدد نوع الجسيم، وآخر يقيس طاقته، وثالث يفصل الأحداث المتداخلة. إذا حدد النظام جسيماً على أنه ميون، فإنه يسلك مساراً بسيطاً. وإذا رأى حدثاً معقداً ومتداخلاً، فإنه يوجه البيانات إلى أداة أكثر تخصصاً. يسمح هذا الهيكل للنظام بالتكيف مع المهام المختلفة دون الحاجة إلى إعادة بنائه من الصفر. وجد الباحثون أنه بينما يعد هذا النهج التركيبي قوياً، فإنه يتطلب معالجة دقيقة لضمان عدم تضخم خطأ صغير في الخطوة الأولى في الخطوة التالية. وقد اقترحوا أن تدريب النظام بأكüm في وقت واحد، بدلاً من تدريبه قطعة بقطعة، سيساعد في منع هذه الأخطاء.

يُظهر هذا العمل أنه من خلال استخدام الهندسة المعروفة للكاشف لتوجيه الذكاء الاصطناعي، يمكن للعلماء التغلب على الاختناقات الحسابية التي تحد عادةً من التجارب عالية التفصيل. إن الأساليب المطورة هنا ليست نظرية فحسب؛ فقد تم اختبارها على بيانات محاكية تحاكي ظروف مصادمات الجسيمات المستقبلية. وتظهر النتائج أنه من الممكن معالجة كميات هائلة من البيانات بسرعة ودقة، مما يفتح الباب أمام تجارب الجيل القادم لرؤية الكون بوضوح غير مسبوق. لقد قدم الباحثون مساراً واضحاً للمضي قدماً، موضحين أنه مع الأدوات المناسبة، يمكن تحويل فيض البيانات من هذه الآلات الضخمة إلى تدفق من الاكتشافات.