Incorporating deep neural networks into lepton-nucleus interaction modeling

لفهم كيفية عمل الكون عند مستواه الأكثر جوهرية، يقوم العلماء غالباً بإطلاق حزم من الجسيمات على النوى الذرية ومراقبة ما يحدث عندما تتصادم. أحد أهم الأسئلة في هذا المجال يتعلق بالنيوترينوهات، وهي جسيمات شبحية نادراً ما تتفاعل مع المادة ولكنها تحمل معلومات حاسمة حول تاريخ الكون. وللتعلم من هذه الجسيمات المراوغة، يجب على الباحثين إعادة بناء طاقة حزمة النيوترينو من خلال تحليل الحطام المتبقي بعد التصادم. ومع ذلك، فإن عملية إعادة البناء هذه صعبة للغاية لأن النوى المستهدفة هي بيئات معقدة ومزدحمة حيث تنهار قواعد الفيزياء البسيطة غالباً. إن عدم اليقين في نمذجة هذه التفاعلات النووية هو حالياً أكبر عقبة تمنع العلماء من إجراء قياسات دقيقة للخصائص الأساسية للكون.

ولحل هذه المشكلة، يلجأ الفيزيائيون غالباً إلى الإلكترونات. تتصرف الإلكترونات بشكل مشابه جداً للنيوترينوهات عندما تصطدم بنواة، ولكن على عكس النيوترينوهات، تكون طاقتها معروفة بدقة قبل التصادم. وهذا يجعل تشتت الإلكترونات مختبراً مثالياً لاختبار مدى جودة وصف نظرياتنا للسلوك النووي. لعقود من الزمن، جمع العلماء كميات هائلة من البيانات حول كيفية ارتداد الإلكترونات عن ذرات الكربون، مما خلق خريطة مفصلة لما يحدث أثناء هذه التصادمات. كان التحدي يكمداً في أنه بينما نمتلك خريطة مثالية للنتيجة الإجمالية، فإننا نفتقر إلى دليل واضح حول كيفية بناء تلك النتيجة الإجمالية من الأجزاء الفردية المحددة للغز. لقد ترك هذا الفراغ ثغرة كبيرة في قدرتنا على محاكاة هذه الأحداث بدقة من أجل الجيل القادم من التجارب.

لحل هذه الفجوة، طور فريق من الباحثين في جامعة فروتسواف طريقة جديدة، تجمع بفعالية بين دقة البيانات التجريبية والقصص التفصيلية للمحاكاة الحاسوبية. لقد أنشأوا نظاماً يأخذ تنبؤاً عالي الدقة للنتيجة الإجمالية للتصادم، مشتقاً من شبكة عصبية عميقة تم تدريبها على عقود من بيانات إلكترون-كربون، ثم يقوم بتفكيكه إلى أنواع التفاعلات المحددة التي تحدث. يتيح لهم ذلك توليد عمليات محاكاة كاملة وواقعية لكل جسيم يخرج من التصادم، مما يضمن أن الصورة الإجمالية تطابق العالم الحقيقي بينما تظل التفاصيل الفردية متسقة فيزيائياً.

يتضمن جوهر هذا العمل عملية ذكية مكونة من خطوتين. أولاً، استخدم الباحثون برنامجاً حاسوبياً متطوراً لمحاكاة ملايين تصادمات الإلكترونات مع ذرات الكربون. يعتمد هذا البرنامج على نظريات راسخة للتنبؤ بالتفاصيل المحددة لكل حدث، مثل ما إذا كان الإلكترون قد أخرج بروتوناً واحداً، أو صنع بيوناً، أو أدى إلى تفاعل أكثر تعقيداً يتضمن جسيمات متعددة. توفر عمليات المحاكاة هذه "القصة" للحدث، واصفةً بالضبط كيف تبدو الجسيمات النهائية وكيف تتحرك. ومع ذلك، فإن العدد الإجمالي للأحداث الذي تتنبأ به هذه النظريات غالباً لا يتطابق تماماً مع البيانات التجريبية الحقيقية عبر جميع نطاقات الطاقة.

ولإصلاح هذا عدم التطابق، أدخل الفريق طبقة ثانية: شبكة عصبية عميقة. هذا النوع من الذكاء الاصطناعي تم تدريبه خصيصاً على الأرشيف الضخم من قياسات تشتت إلكترون-كربون الحقيقية. تعلمت الشبكة التنبؤ بالعدد الإجمالي للتصادمات التي يجب أن تحدث عند أي طاقة معينة بدقة متناهية، لتعمل فعلياً كمرجع مثالي للنتيجة الإجمالية. ومع ذلك، فإن هذه الشبكة العصبية صالحة فقط ضمن نطاق صارم من انتقال الطاقة: فهي لا تستطيع وصف التصادمات حيث يكون انتقال الطاقة منخفضاً جداً (حيث ترتد النواة ككل) أو مرتفعاً جداً (ح حيث يصبح التفاعل أكثر تعقيداً). أخذ الباحثون بعد ذلك الأحداث المولدة حاسوبياً وعدلوا "وزنها" أو أهميتها، بحيث يتطابق العدد الإجمالي للأحداث مع تنبؤ الشبكة العصبية المثالي ضمن هذا النطاق الصالح. تضمن هذه العملية أن تكون المحاكاة مرتكزة في الواقع.

الأمر الجوهل هو أن الفريق لم يكتفِ بتعديل العدد الإجمالي فحسب؛ بل توصلوا أيضاً إلى كيفية توزيع هذا العدد الإجمالي بين أنواع التفاعلات المختلفة. فقد حسبوا نسبة الأحداث التي يجب أن تكون تشتتاً شبه مرن، حيث يتم إخراج جسيم واحد، مقابل تيارات تبادل الميزونات، حيث يتضمن التفاعل تبادلاً أكثر تعقيداً للقوى بين الجسيمات، وإنتاج البيون المنفرد. ومن خلال تطبيق هذه النسب على تنبؤ الشبكة العصبية الإجمالي، أنشأوا إطاراً هجيناً جديداً يسمونه eWroNet. ينتج هذا النظام مجموعة كاملة من الأحداث المحاكات حيث يتم تحديد السلوك الإجمالي بواسطة البيانات الحقيقية، بينما تظل التفاصيل المحددة لكل حدث ناتجة عن النماذج الفيزيائية. ومن المهم ملاحظة أن النماذج الفيزيائية الأساسية المستخدمة لتوليد هذه التفاصيل محدودة حالياً: فهي تصف بدقة رنين "Delta(1232)" (حالة مثارة محددة للنواة) ولكنها لا تشمل بعد رنينات أعلى طاقة أو التشتت غير المرن العميق، وهي أمور ضرورية لوصف التصادمات الأكثر طاقة.

عندما اختبر الباحثون هذا النظام الجديد مقابل قياسات مستقلة من تعاوني CLAS وe4$\nu$ في مرفق تسريع توماس جيفرسون الوطني، كانت النتائج كاشفة. فقد أعاد النظام إنتاج العدد الإجمالي للتصادمات في نطاق الطاقة الذي تم تدريب الشبكة العصبية فيه، مما أكد أن الطريقة تعمل كما هو مخطط لها، رغم أنها لا تزال تقصر عن البيانات التجريبية بنحو 15% عند ذروة التشتت شبه المرن وبنسبة 30% عند ذروة دلتا. ومع ذلك، عندما نظروا في التفاصيل المحددة للحطام، وخاصة في المنطقة التي تظهر فيها الرنينات الأثقل، بدأت المحاكاة في القصور عن البيانات التجريبية. فقد قللت المحاكاة من تقدير عدد الأحداث في مناطق الطاقة الأعلى هذه، وهو قصور ينبع من حقيقة أن نماذج المحاكاة الأساسية لا تأخذ في الحسبان بعد التفاعلات الأكثر تعقيداً وعالية الطاقة.

كما سلطت الدراسة الضوء على توتر محدد بين مجموعات مختلفة من البيانات التجريبية. فقد طابقت المحاكاة الجديدة إحدى مجموعات القياسات من مركز ستانفورد لتسريع الخطوط مستقيمة تماماً، لكنها جاءت أقل بكثير من نتائج تجارب مختبر جيفرسون في درجات طاقة مماثلة. يشير هذا التباين إلى احتمال وجود عدم اتساق في البيانات التجريبية نفسها أو أن فهمنا للهدف النووي يحتاج إلى مزيد من الصقل. وجد الباحثون أنه بينما يمكن لطريقتهم التنبؤ بدقة بالعدد الإجمالي للتصادمات، إلا أنها واجهت صعوبة في تفسير التعقيد الكامل لحطام الجسيمات في القياسات شبه الحصرية، حيث يتم الكشف عن جسيمات معينة فقط.

في نهاية المطاف، يوفر هذا العمل أداة قوية للمجال. فهو يثبت أنه من الممكن أخذ تنبؤ قائم على البيانات والتعلم الآلي لنتيجة إجمالية، وتفكيكه إلى القنوات الفيزيائية المحددة التي تولدها. يتيح هذا للعلماء استخدام أكثر البيانات المتاحة دقة لتوجيه عمليات المحاكاة الخاصة بهم مع الاحتفاظ أيضاً بالمعلومات التفصيلية حول حركية الجسيمات اللازمة للتجارب المعقدة. وبينما يعاني النموذج الحالي من بعض القيود، لا سيما في التعامل مع التصادمات الأكثر طاقة والتداخل المعقد بين العمليات الميكانيكية الكمومية المختلفة، فإنه يفتح مساراً واضحاً للمضي قدماً. ومن خلال تحسين النماذج الأساسية وتوسيع الطريقة لتشمل أهدافاً ذرية أخرى، مثل الأرجون، يمكن لهذا النهج أن يقلل بشكل كبير من حالات عدم اليقين التي تعيق حالياً قدرتنا على قياس الخصائص الأساسية للكون.