What the Primary Lund Plane Omits: A Model-Stitching Diagnosis of a Jet-Tagger Representation Gap

في تصادمات الطاقة العالية في فيزياء الجسيمات، تصطدم البروتونات ببعضها البعض بسرعة تقارب سرعة الضوء، مما يؤدي إلى تحطمها إلى رشاشات من جسيمات جديدة تسمى "النفاثات" (jets). ولفهم القوى الأساسية للطبيعة، يجب على الفيزيائيين فرز هذه الرشاشات إلى فئات: فبعض النفاثات تأتي من جسيمات ثقيلة مثل الكوارك القمي (top quark)، بينما تكون أخرى مجرد ضجيج خلفي ناتج عن جسيمات أخف. وتكمن المعضلة في أن هذه الرشاشات تبدو متشابهة للغاية للعين المجردة للكاشف. لعقود من الزمن، اعتمد العلماء على استراتيجيتين رئيسيتين للتمييز بينها. تعتمد إحدى الطريقتين على معرفة عميقة بالفيزياء لاختيار الميزات الأكثر دلالة يدوياً، مما يؤدي جوهرياً إلى إنشاء خريطة مبسطة لهيكل النفاثة الداخلي. أما الطريقة الأخرى، فتقوم بتغذية البيانات الخام مباشرة في ذكاء اصطناعي قوي، تاركةً للكمبيوتر مهمة تعلم كيفية إيجاد الأنماط بنفسه. وبينما غالباً ما تعطي هاتان الطريقتان نتائج متشابهة على الورق، إلا أنهما قد تفشلان بطرق مختلفة تماماً عندما تشتد الظروف. ويبقى السؤال قائماً: إذا كان أداء الخريطة القائمة على الفيزياء أسوأ من أداء الذكاء الاصطناعي المتعلم، فهل الخريطة نفسها تفتقر إلى معلومات حاسمة، أم أن الكمبيوتر ببساطة سيء في قراءة الخريطة المقدمة له؟

لقد شرع فريق من الباحثين في المعهد الهندي للتكنولوجيا في كانبور في حل هذا اللغز من خلال بناء جسر بين هذين النهجين. فقد أخذوا نموذج ذكاء اصطناعي متطوراً تم تدريبه على البيانات الخام، وشبكة تم تدريبها على الخريطة الفيزيائية المبسطة، وقاما بربطهما جراحياً. تخيل أخذ الطبقات الأولى من دماغ مدرب واحد وتوصيلها مباشرة بالطبقات المتأخرة لدماغ آخر، وإجبارهما على العمل معاً من خلال موصل واحد قابل للتدريب. هذه التقنية، المعروفة باسم "خياطة النماذج" (model stitching)، سمحت لهم بعزل المشكلة. لقد اختبروا ما إذا كانت الخريطة الفيزيائية المبسطة ضعيفة بطبيعتها، أم أن الذكاء الاصطناعي الذي يقرأها هو الذي يعاني من ضعف في الأداء. واستخدموا قصوراً معروفاً ومحدداً في الخريطة الفيزيائية كعنصر تحكم: وهي نسخة تتبع المسار الأصعب فقط عبر تاريخ النفاثة، متجاهلةً عمداً معظم الإشعاع المحيط الأكثر ليونة.

كانت النتائج واضحة وحاسمة. فعندما أجبر الباحثون الذكاء الاصطناعي القوي على قراءة هذه الخريطة الناقصة والمبسطة، انخفض أداؤه بشكل كبير، ولكن ليس بسبب معاناة الذكاء الاصطنادي في الفهم. في الواقع، استطاع الذكاء الاصطناعي استخراج قدر من المعلومات من الخريطة المبسطة يماثل ما يمكن للقارئ الأصلي للخريطة استخراجه. لم يكن الخلل في القارئ؛ بل كان في الخريطة نفسها. كانت التمثيل الفيزيائي المبسط يفتقر حقاً إلى المعلومات. ثم حدد الباحثون بدقة ما كان مفقوداً؛ حيث حدث الفشل بشكل شبه كامل لنوع محدد وصغير من نفاثات الخلفية التي صدف أن امتلكت كتلة عالية وعدد كبير من الجسيمات، مما جعلها تحاكي بصمة الكوارك القمي الثقيل. كانت هذه النفاثات تعاني من تشتت إشعاعها بعيداً عن المسار الرئيسي الذي تتبعه الخريطة المبسطة، مما ترك الخريطة بصورة غير مكتملة.

وللتأكد من هذا التشخيص، أعاد الفريق بناء الخريطة الفيزيائية لتشمل كل فرع من فروع تاريخ النفاثة، وليس المسار الرئيسي فقط. وعندما غدوا هذه الخريطة الكاملة (ذات الشجرة الكاملة) في الشبكة، تقلصت فجوة الأداء بأكثر من 70 بالمائة. وفجأة، أصبح النظام أفضل بكثير في رفض نفاثات الخلفية الماكرة. ومع ذلك، كشف تحقيق أعمق عن تحول مفاجئ حول كيفية استخدام الشبكة لهذه المعلومات؛ فبمجرد تدريب الشبكة على الخريطة الكاملة، أصبحت تعتمد بشكل شبه كلي على المسار الرئيسي الأصلي لاتخاذ قراراتها النهائية. وإذا قام الباحثون بإزالة الفروع الإضافية أثناء الاختبار النهائي، فإن أداء الشبكة لم يتغير إلا قليلاً. ولكن إذا أزالوا المسار الرئيسي، فإن الشبكة تنهار. يشير هذا إلى أن الفروع الإضافية لم تكن تمد الشبكة بحقائق جديدة تقرؤها في النهاية، بل كانت ضرورية أثناء عملية التعلم، حيث ساعدت الشبكة على فهم كيفية بناء تمثيل مفيد في المقام الأول.

كما بحثت الدراسة في مكان وجود المعلومات الأكثر أهمية على طول ذلك المسار الرئيسي. ووجدوا أنه لتحديد الكواركات القمية الثقيلة، فإن أول انقسام (split) واسع الزاوية في تاريخ النفاثة يحمل كل الثقل تقريباً. هذه الخطوة الواحدة، والتي تقابل زاوية الافتتاح لاندثار الجسيم الثقيل، كانت تساوي أكثر من أي خطوة أخرى في السلسلة. وقد ظل هذا النمط صحيحاً لأنواع أخرى من تحديد الجسيمات أيضاً، وإن كان التأثير أضعف بكثير. كما اختبر الباحثون ما إذا كان نوع أكثر تعقيداً من الذكاء الاصطناعي، وهو النوع القادر على رؤية العلاقات بين ثلاث نقاط في آن واحد بدلاً من مجرد أزواج، يمكنه إصلاح المعلومات المفقودة في الخريطة المبسطة. ولم يستطع ذلك. فحتى مع هذه القدرة المتقدمة على القراءة، لم تستطع الشبكة استعادة المعلومات المفقودة التي توفرها الخريطة الكاملة.

في نهاية المطاف، يوضح هذا العمل أن الفجوة بين النماذج القائمة على الفيزياء والذكاء الاصطناعي للبيانات الخام ليست فشلاً في قدرة الذكاء الاصطناعي على التعلم، بل هي نقص حقيقي في المعلومات في التمثيل الفيزيائي المبسط. القطعة المفقودة هي "الإشعاع خارج المسار" (off-path radiation) الذي يتم التخلص منه بواسطة الطرق التقليدية. وبينما يعتمد اتخاذ القرار النهائي بشكل كبير على المسار الهيكلي الرئيسي، إلا أن هذا المسار لا يصبح قوياً إلا لأن الشبكة قد تدربت على الواقع الفوضوي الكامل للنفاثة. توفر الدراسة خريطة دقيقة لمكان نجاح هذه النماذج وأماكن فشلها، موضحة أن الفرق يكمن في البيانات نفسها، وليس في ذكاء الآلة التي تقرأها.