Automating data splitting and hyper-parameters tuning in an Echo State Network-based model for Dynamic Aperture prediction

تخيل أنك تحاول التنبؤ بالمسار المستقبلي لسرب من النحل داخل متاهة عملاقة، ملتوية، وغير مرئية. في عالم فيزياء الجسيمات، هذه "النحل" هي حزم من البروتونات تنطلق بسرعة داخل حلقة ضخمة تسمى "حلقة التخزين". "المتاهة" مكونة من مغناطيسات قوية توجهها، لكن المشكلة تكمن في أن المغناطيسات ليست مثالية؛ فهي تحتوي على اهتزازات وتشويهات طفيفة، تماماً كما قد يكون لجدار في متاهة واقعية ميل طفيف. وبسبب هذه الاهتزازات، لا تطير النحل في دوائر مثالية، بل تتأرجح، وترقص، وأحياناً، إذا اقتربت كثيراً من الحواف، تصطدم بالجدران وتختفي.

يطلق العلماء على المنطقة الآمنة حيث يمكن للنحل الطيران للأبد دون الاصطدام بشيء اسم "الفتحة الديناميكية" (Dynamic Aperture). إنها تشبه حجم الملعب الآمن داخل المتاهة. تحديد حجم هذا الملعب بدقة يتطلب عادةً تشغيل ملايين المحاكاة الحاسوبية، وفحص كل مسار ممكن يمكن أن تسلكه النحل. هذه العملية ثقيلة جداً من الناحية الحسابية، وكأنك تحاول عد كل حبة رمل على الشاطئ عبر التقاطها واحدة تلو الأخرى. ولتسريع هذه العملية، بدأ الباحثون في استخدام نوع خاص من الذكاء الاصطناعي يسمى "شبكة حالة الصدى" (Echo State Network). فكر في هذا الذكاء الاصطناعي كطالب ذكي للغاية يشاهد مقطع فيديو قصيراً للنحل وهي تطير، ثم يحاول تخمين أين ستكون بعد فترة طويلة من الزمن. ولكن لكي يكون هذا الطالب دقيقاً، يجب أن تعرض عليه المقدار الصحيح من بيانات التدريب؛ ليس قليلاً جداً فيصاب بالارتباك، ولا كثيراً جداً فيضيع الوقت.

هذه الورقة البحثية تدور حول تعليم ذلك "الطالب الذكي" كيف يتعلم بكفاءة أكبر. أراد الباحثون معرفة الطريقة المثالية لتقسيم بياناتهم: كم يجب أن يدرس الطالب (التدريب)، وكم يجب أن يتدرب على (التحقق)، وكم يجب أن يُختبر في (الاختبار)؟ لقد اكتشفوا أنه من خلال مراقبة مدى سرعة "تقلص الملعب الآمن" بمرور الوقت، يمكنهم تلقائياً تقرير متى يتوقفون عن عمليات المحاكاة ويتركون المهمة للذكاء الاصطناعي. كما قاموا ببناء نظام ذكي يختار أفضل الإعدادات للذكاء الاصطناعي تلقائياً، حتى لا يضطر العلماء للتخمين والتجربة يدوياً. والنتيجة هي طريقة تقلل الوقت اللازم لمحاكاة حزم الجسيمات هذه بمعامل قدره 20، مما يجعل تصميم الجيل القادم من مسرعات الجسيمات أسرع بكثير.

قصة الطالب الذكي والملعب المتقلص

في عالم مسرعات الجسيمات مثل مصادم الهادرونات الكبير (LHC)، يحتاج العلماء إلى معرفة "الفتحة الديناميكية" (DA). يمكنك التفكير في الـ DA كحجم منطقة الأمان لحزمة الجسيمات. إذا بقيت الجسيمات داخل هذه المنطقة، فإنها تدور بسعادة لساعات، أما إذا انحرفت خارجها، فإنها تصطدم بالجدران وتُفقد. ولإيجاد الحجم الدقيق لهذه المنطقة، يقوم الفيزيائيون عادةً بتشغيل محاكاة حاسوبية هائلة تتبع الجسيمات لملايين الدورات حول الحلقة، وهذا أمر بطيء ومكلف للغاية من حيث قدرة الحاسوب.

لحل هذه المشكلة، استخدم مؤلفو هذه الورقة تقنية تعلم آلي تسمى شبكة حالة الصدى (ESN). تخيل الـ ESN كطالب يشاهد مقطعاً قصيراً لحركة الجسيمات، ثم يحاول التنبؤ بمسارها في المستقبل البعيد. في دراسة سابقة، أظهر المؤلفون أن هذا "الطالب" يمكنه التنبؤ بالحجم المستقبلي لمنطقة الأمان بشكل جيد جداً، خاصة عند دمجه مع صيغة رياضية (تسمى قانون القياس - Scaling Law) تصف كيفية تقلص المنطقة بمرور الوقت.

ومع ذلك، كانت هناك مشكلة: كان على الباحثين تحديد كيفية تقسيم بياناتهم يدوياً. كانوا بحاجة لإعطاء الطالب بعض البيانات ليتعلم منها (التدريب)، وبعضها ليتدرب عليها (التحقق)، وبعضها لاختبار مهاراته النهائية (الاختبار). إذا أعطوه بيانات قليلة جداً للتعلم، سيفشل الطالب في الاختبار. وإذا أعطوه الكثير، فقد أضاعوا وقتاً ثميناً من المحاكاة.

الاكتشاف الكبير: دليل "التقلص"
طرح المؤلفون سؤالاً بسيطاً: هل يمكننا أتمتة هذا القرار؟ لاحظوا أن حجم منطقة الأمان لا يتقلص بسرعة ثابتة. في البداية، ينخفض بسرعة، مثل كرة تتدحرج من منحدر شديد، ولكن بعد فترة، يتباطأ هذا الانخفاض، وتتقلص المنطقة تدريجياً، مثل كرة تتدحرج على أرض مستوية.

وجد الباحثون أن "سرعة" هذا الانخفاض (مشتق قانون القياس) هي المفتاح. واكتشفوا أنه إذا أوقفوا عمليات المحاكاة وتركوا الذكاء الاصطناعي يتولى المهمة تماماً عندما يبدأ الانخفاض في التباطؤ، فستكون تنبؤات الذكاء الاصطناعي دقيقة للغاية. من خلال النظر في هذه "السرعة"، يمكنهم إخبار الكمبيوتر تلقائياً: "حسناً، لقد قمت بمحاكاة عدد كافٍ من الدورات. الآن، دع شبكة حالة الصدى تنهي المهمة".

النتائج: السرعة والدقة
عندما اختبروا هذه الفكرة على بيانات من مصادم الهادرونات الكبير عالي السطوع (HL-LHC) ونموذج رياضي يسمى "خريطة هينون" (Hénon map)، وجدوا نتائج رائعة:

• الرقم السحري: حددوا أن الذكاء الاصطناعي يحتاج لرؤية حوالي 30% إلى 35% من إجمالي البيانات ليتعلم بشكل صحيح. أي أقل من ذلك، وتصبح التنبؤات غير منظمة.
• تسريع بمقدار 20 ضعفاً: باستخدام طريقة التقسيم التلقائي هذه، استطاعوا إيقاف عمليات المحاكاة الحاسوبية البطيئة مبكراً وترك الذكاء الاصطناعي يتنبأ بالباقي. جعل هذا العملية أسرع بـ 20 مرة لمحاكاة HL-LHC.
• أخطاء ضئيلة: حتى عند التنبؤ في المستقبل البعيد (حتى 1,000 ضعف طول البيانات التي تمت محاكاتها)، كان الخطأ في تنبؤاتهم حوالي 1% فقط. هذا يشبه تخمين المسافة إلى القمر والخطأ فيها ببضعة أمتار فقط.

تعليم الطالب اختيار إعداداته الخاصة
تناولت الورقة أيضاً مشكلة أخرى: اختيار "الإعدادات" الصحيحة (البارامترات الفائقة) للذكاء الاصطناعي. عادةً ما يخمن العلماء هذه الإعدادات، ويجربونها، ويأملون في الحصول على أفضل نتيجة. استخدم المؤلفون أداة ذكية تسمى الاستمثال البايزي (Bayesian Optimization) (تحديداً طريقة تسمى "تقدير بارزن الشجري" - Tree-structured Parzen Estimator) للسماح للكمبيوتر بإيجاد أفضل الإعدادات تلقائياً.

قاموا بعملية الاستمثال هذه 50 مرة لمعرفة مدى اتساقها. وكانت النتائج مستقرة جداً:

• ظل متوسط الخطأ أقل من 1%.
• حتى في "أسوأ السيناريوهات" (أصعب عمليات المحاكاة)، نادراً ما تجاوز الخطأ نسبة 2%.
• أثبت هذا أن الذكاء الاصطناعي لا يحالفه الحظ مرة واحدة فحسب، بل إنه يجد الإعدادات الصحيحة باستمرار لتقديم تنبؤات دقيقة.

لماذا هذا مهم؟
هذا العمل لا يجعل الرياضيات تبدو جميلة فحسب، بل يحل عقبة حقيقية في تصميم مسرعات الجسيمات المستقبلية. من خلال أتمتة تقسيم البيانات وضبط الذكاء الاصطناعي، يمكن للعلماء الآن التنبؤ بكيفية أداء آلاتهم على فترات طويلة دون الانتظار لأيام أو أسابيع حتى تنتهي عمليات المحاكاة الحاسوبية. إنه يشبه منح فيزيائيي الجسيمات "بلورة سحرية" تعمل أسرع بـ 20 مرة من تلسكوبهم القديم، مما يسمح لهم بتصميم آلات أكثر أماناً وقوة لاستكشاف الكون.