This is SParTA: A modular, efficient and scalable transformer architecture for jet-tagging

في التصادمات عالية الطاقة التي تحدث داخل معجلات الجسيمات، تصطدم البروتونات ببعضها البعض بقوة تجعلها تتفتت إلى رشاقات من جسيمات جديدة. يطلق الفيزيائيون على هذه الرشاقات اسم "النفثات" (jets). ولفهم القوانين الأساسية للطبيعة، يجب على الباحثين فرز هذه السحب الفوضوية من الحطام لتحديد نوع الجسيم الذي أنتجها. قد تكون النفثة بمثابة بصمة لـ "كوارك"، وهو لبنة أساسية من لبنات بناء المادة، أو "غلون"، وهو الجسيم الذي يربط الكواركات معاً. إن التمييز بينهما يشبه محاولة معرفة الفرق بين نوعين من الدخان المتصاعد من حريقين مختلفين؛ فالأنماط دقيقة، والحجم الهائل للبيانات يجعل التحليل اليدوي مستحيلاً. لسنوات، اعتمد العلماء على برامج حاسوبية معقدة للعثور على هذه الأنماط، ولكن مع نمو البيانات، أصبحت هذه البرامج بطيئة وتستهلك الكثير من الذاكرة، حيث تكافح لمعالجة ملايين الجسيمات المشاركة في حدث واحد.

لقد طور فريق من الباحثين نهجاً جديداً لهذه المشكلة، حيث أنشأوا نظاماً يسمى SParTA. وبدلاً من محاولة تحليل كل جسيم في النفثة بنفس الكثافة، وهو أمر مكلف حاسوبياً، يستخدم النظام استراتيجية قائمة على تحديد الأولويات. فهو يدرك أنه في أي نفثة، تحمل مجموعة صغيرة من الجسيمات معظم الطاقة، بينما تشكل الغالبية العظمى من الجسيمات شظايا منخفضة الطاقة. تركز هذه البنية الجديدة قدرتها المعالجة الأكثر قوة فقط على هذه الجسيمات "الصلبة" (hard) عالية الطاقة، وتتعامل معها بتحليل ثنائي (pairwise) مفصل. أما الجسيمات "الناعمة" (soft) المتبقية منخفضة الطاقة، فلا تزال مشمولة، ولكن يتم معالجتها بكفاءة أكبر، ببساطة عن طريق ربطها بالقلب الصلب. يسمح هذا التصميم للنظام بالتقاط الفيزياء الأساسية للنفثة دون أن يغرق في العدد الهائل من الجسيمات.

اختبر الباحثون هذه الطريقة في تحديين رئيسيين: التمييز بين نفثات الكوارك ونفثات الغلون، وتحديد النفثات الناتجة عن كواركات "توب" الثقيلة. وفي اختبار الكوارك مقابل الغلون، حقق النظام الجديد مستوى من الدقة يضاهي أداء النماذج الأكبر والأكثر تعقيداً المستخدمة اليوم. ومن المثير للإعجاب أنه فعل ذلك باستخدام سُبع ذاكرة الحاسوب وقدرة المعالجة المطلوبة من تلك النماذج الأكبر. وعند اختباره في المهمة الأكثر صعوبة المتمثلة في رصد كواركات "توب"، تفوق النظام مرة أخرى على الأساليب الحالية التي تستخدم موارد أكثر بكثير. ويكمكم السر في هذا النجاح في كيفية تنظيم النظام للمعلومات؛ فهو يصنف الجسيمات حسب زخمها، من الأعلى إلى الأدنى، ويستخدم هذا الترتيب لتقرير أي منها يحتاج إلى تحليل عميق وأيها يمكن التعامل معه ببساطة أكبر.

من خلال تقسيم العمل إلى هذين النمطين، يتجنب النظام الاختناق الشائع حيث تمتلئ ذاكرة الحاسوب بسرعة مع زيادة عدد الجسيمات. فهو يحسب العلاقات بين الجسيمات الأكثر أهمية مباشرة، بينما يتم دمج الجسيمات الأقل أهمية في الصورة النهائية من خلال اتصال أخف وأسرع. كما يتعلم النظام من الشكل العام وطاقة النفثة بأكملها، مستخدماً هذا السياق العالمي لصقل فهمه لكيفية ارتباط الجسيمات الفردية ببعضها البعض. وهذا يسمح له برصد الاختلافات الهيكلية الدقيقة التي قد تفوتها الأساليب الأبسط. وتظهر النتائج أنه من خلال كونها انتقائية في مكان بذل جهدها الحسابي، يمكن للنظام أن يكون أسرع ودقيقاً تماماً مثل نظائره الأثقل.

تضمن البحث تدريب النظام على ملايين التصادمات المحاكية، وهو ممارسة قياسية في هذا المجال حيث تكون البيانات الواقعية غالباً نادرة جداً أو يصعب تصنيفها بدقة. أجرى الباحثون عشرات النسخ المختلفة من النظام للعثور على أفضل توازن بين السرعة والدقة. ووجدوا أن إضافة المزيد من طبقات المعالجة بعد نقطة معينة لم يؤدِ إلى تحسين النتائج، وأن جعل النظام أكثر عرضاً لم يساعد أيضاً. بدلاً من ذلك، كانت التكوينات الأكثر فعالية هي تلك التي ركزت على معالجة عدد محدد من الجسيمات الأكثر صلابة مع الحفاظ على التصميم العام مدمجاً. وهذا يشير إلى أن كفاءة النظام لا تأتي من القوة الغاشمة، بل من تقسيم ذكي للعمل.

في النهاية، يوضح هذا العمل أنه بالنسبة للمهام المعقدة مثل تحديد نفثات الجسيمات، يمكن لنموذج أصغر وأذكى أن يتفوق غالباً على نموذج ضخم. وتثبت البنية الجديدة أنه من الممكن الاحتفاظ بالمستوى العالي من التفاصيل اللازمة للاكتشاف العلمي مع تقليل تكلفة الحوسبة بشكل كبير. ويمثل هذا خطوة كبيرة للأمام في هذا المجال، حيث يوفر طريقة لتحليل البيانات بسرعة أكبر وبطاقة أقل، مما قد يسمح للتجارب المستقبلية بمعالجة المزيد من التصادمات واكتشاف فيزياء جديدة في وقت أقرب. وقد أتاح الباحثون الكود والنماذج الخاصة بهم للمجتمع، داعين الآخرين للبناء على هذا الأساس الفعال.