در دنیای فیزیک ذرات پرانرژی، برخورددهنده‌های عظیمی مانند برخورددهنده بزرگ هادرونی (LHC) روزانه حجم غیرقابل تصوری از داده را تولید می‌کنند. هر برخورد پروتون-پروتون یک «رویداد» است که منجر به تولید آبشاری از ذرات جدید می‌شود. چالش اصلی فیزیکدانان، غربال کردن این اقیانوس داده برای یافتن نشانه‌هایی از فیزیک جدید یا فیزیک فراتر از مدل استاندارد (BSM) است. این سیگنال‌های جدید، که ممکن است کلید حل معماهایی مانند ماده تاریک یا انرژی تاریک باشند، اغلب در میان پس‌زمینه‌ی عظیم و شناخته‌شده‌ی فرآیندهای مدل استاندارد (مانند برهم‌کنش‌های قوی یا QCD) پنهان شده‌اند.

مقاله حاضر با عنوان «کشف الگوهای پنهان در رویدادهای برخوردی با مدل‌های احتمالاتی بیزی» روشی نوین و هوشمندانه برای مواجهه با این چالش ارائه می‌دهد. اهمیت این پژوهش در رویکرد بین‌رشته‌ای آن نهفته است: استفاده از یک مدل قدرتمند یادگیری ماشین که اصالتاً برای پردازش زبان طبیعی (NLP) توسعه یافته، برای تحلیل داده‌های فیزیک ذرات. این مقاله نشان می‌دهد که چگونه می‌توان با استفاده از یادگیری بدون ناظر (Unsupervised Learning)، الگوهای فیزیکی جدید را بدون نیاز به اطلاعات پیشین یا برچسب‌گذاری داده‌ها، از دل نویز پس‌زمینه استخراج کرد. این رویکرد می‌تواند انقلابی در روش‌های جستجو برای فیزیک جدید ایجاد کند و راه را برای اکتشافات غیرمنتظره هموار سازد.

این مقاله حاصل پژوهش‌های دکتر داریوش فروغی (Darius A. Faroughy) است و بر اساس دو مقاله علمی با شناسه‌های arXiv:1904.04200 و arXiv:2005.12319 تدوین شده است. زمینه تخصصی این تحقیق، پدیدارشناسی فیزیک ذرات پرانرژی (High Energy Physics – Phenomenology) است. پدیدارشناسی شاخه‌ای از فیزیک نظری است که به عنوان پلی میان مدل‌های نظری انتزاعی (مانند نظریه‌های BSM) و داده‌های تجربی حاصل از شتاب‌دهنده‌ها عمل می‌کند. پژوهشگران در این حوزه به دنبال طراحی روش‌هایی برای آزمودن نظریه‌ها و یافتن ردپای آن‌ها در آزمایش‌ها هستند.

این تحقیق به طور خاص در تقاطع فیزیک ذرات، آمار بیزی و یادگیری ماشین قرار می‌گیرد و نشان‌دهنده روند رو به رشد استفاده از ابزارهای پیشرفته علوم داده برای حل مسائل بنیادین فیزیک است.

ایده اصلی مقاله این است که هر رویداد در یک برخورددهنده را می‌توان به صورت دنباله‌ای از اندازه‌گیری‌ها یا یک «الگوی نقطه‌ای» در یک فضای قابل مشاهده نمایش داد. این رویکرد، داده‌ها را به جای یک بردار با ابعاد ثابت، به صورت مجموعه‌ای از نقاط در نظر می‌گیرد که هر نقطه ویژگی‌های یک ذره را توصیف می‌کند. این نمایش داده، شباهت شگفت‌انگیزی به نحوه نمایش اسناد متنی در پردازش زبان طبیعی دارد: یک سند مجموعه‌ای از کلمات است و یک رویداد برخوردی مجموعه‌ای از ذرات (یا اندازه‌گیری‌ها).

با الهام از این شباهت، نویسنده یک مدل احتمالاتی بیزی ساده برای طبقه‌بندی بدون ناظر رویدادها پیشنهاد می‌کند. این مدل بر چند فرض کلیدی استوار است:

• تعویض‌پذیری (Exchangeability): ترتیب ذرات شناسایی‌شده در یک رویداد اهمیتی ندارد.
• گسستگی داده‌ها: فضای اندازه‌گیری به بخش‌های گسسته تقسیم می‌شود.
• وجود توزیع‌های پنهان: فرض می‌شود که داده‌ها از ترکیبی از چندین توزیع «نهفته» یا «تم» تولید شده‌اند که هر تم متناظر با یک فرآیند فیزیکی است (مثلاً یک تم برای پس‌زمینه QCD و تمی دیگر برای سیگنال BSM).

مدل حاصل، یک مدل عضویت ترکیبی (Mixed-Membership Model) معروف به تخصیص پنهان دیریکله (Latent Dirichlet Allocation – LDA) است. در این چارچوب، هر رویداد برخوردی ترکیبی از تم‌های مختلف است و هر تم، یک توزیع احتمال روی ذرات ممکن است. هدف مدل این است که به صورت خودکار این تم‌ها را یاد بگیرد و مشخص کند هر رویداد تا چه حد به هر تم تعلق دارد.

روش‌شناسی این پژوهش را می‌توان در چند مرحله خلاصه کرد:

۱. نمایش داده‌ها به صورت الگوی نقطه‌ای: به جای استفاده از متغیرهای سطح بالا و مهندسی‌شده، رویدادها مستقیماً از طریق ذرات تشکیل‌دهنده آن‌ها توصیف می‌شوند. این کار با استفاده از صفحه لوند اولیه (Primary Lund Plane) انجام می‌شود. صفحه لوند یک نمایش دو بعدی است که فرآیند شکافت و تابش ذرات در آبشارهای QCD را به تصویر می‌کشد و ساختارهای فیزیکی مهمی را در خود جای داده است.

۲. ساخت مدل احتمالاتی بر پایه قضیه دی فینتی: فرض تعویض‌پذیری اندازه‌گیری‌ها (اینکه ترتیب مشاهده ذرات مهم نیست) به محقق اجازه می‌دهد تا از قضیه نمایش دی فینتی (De Finetti’s Representation Theorem) استفاده کند. این قضیه بنیاد ریاضی مدل‌های عضویت ترکیبی را فراهم می‌کند و بیان می‌دارد که اگر داده‌ها تعویض‌پذیر باشند، می‌توان آن‌ها را به صورت ترکیبی از توزیع‌های مستقل و هم‌توزیع مدل‌سازی کرد.

۳. پیاده‌سازی مدل LDA: مدل LDA به عنوان چارچوب اصلی انتخاب می‌شود. این مدل فرض می‌کند که هر رویداد (سند) یک توزیع احتمال روی تم‌ها (موضوعات) دارد و هر تم نیز یک توزیع احتمال روی اندازه‌گیری‌ها (کلمات) دارد. فرآیند تولید یک رویداد در این مدل به صورت زیر است:

• برای هر رویداد، یک ترکیب از تم‌ها (مثلاً ۸۰٪ تم A و ۲۰٪ تم B) انتخاب می‌شود.
• برای تولید هر ذره در آن رویداد، ابتدا یکی از تم‌ها بر اساس ترکیب بالا انتخاب شده و سپس یک ذره از توزیع احتمال آن تم نمونه‌برداری می‌شود.

۴. آموزش و آزمایش مدل: مدل بر روی یک مجموعه داده شبیه‌سازی‌شده از رویدادهای دو-جتی (Dijet) آموزش داده می‌شود. این مجموعه داده بدون برچسب است و شامل تعداد بسیار زیادی رویداد پس‌زمینه QCD و تعداد کمی رویداد سیگنال BSM (که به صورت مخفی در داده‌ها وجود دارد) است. مدل LDA با دو تم (K=2) پیاده‌سازی می‌شود، با این امید که یک تم به طور خودکار ساختار پس‌زمینه QCD را یاد بگیرد و تم دیگر الگوهای متمایز سیگنال BSM را کشف کند.

نتایج این پژوهش بسیار امیدبخش و قابل توجه است. یافته‌های اصلی عبارتند از:

• جداسازی موفقیت‌آمیز سیگنال از پس‌زمینه: مدل LDA با دو تم توانست با موفقیت الگوهای پنهان سیگنال BSM را از پس‌زمینه بسیار بزرگتر QCD متمایز کند. این کار صرفاً با تحلیل ساختار آماری داده‌ها و بدون هیچ‌گونه اطلاعات برچسب‌گذاری شده انجام شد.
• یادگیری تم‌های فیزیکی معنادار: پس از آموزش، مشخص شد که یکی از تم‌های آموخته‌شده توسط مدل، تطابق بسیار بالایی با ویژگی‌های فیزیکی مورد انتظار از آبشارهای QCD دارد. تم دوم نیز به طور مؤثری ویژگی‌های منحصر به فرد سیگنال BSM را به خود اختصاص داده بود.
• ارائه یک معیار طبقه‌بندی: مدل برای هر رویداد، یک احتمال تعلق به تم BSM ارائه می‌دهد. این مقدار می‌تواند به عنوان یک «امتیاز ناهنجاری» (anomaly score) قدرتمند عمل کند. با انتخاب رویدادهایی که امتیاز بالایی در این معیار کسب می‌کنند، فیزیکدانان می‌توانند به طور مؤثری داده‌ها را برای جستجوی سیگنال فیلتر کنند.
• کارایی در سناریوهای واقع‌گرایانه: این روش حتی زمانی که سیگنال BSM بسیار ضعیف و نادر است، کارایی خود را حفظ می‌کند و نشان می‌دهد که پتانسیل کاربرد در تحلیل‌های واقعی LHC را دارد.

این رویکرد نوآورانه، دستاوردها و کاربردهای مهمی را برای آینده فیزیک ذرات به ارمغان می‌آورد:

۱. جستجوی مستقل از مدل (Model-Agnostic Search): برخلاف بسیاری از روش‌های یادگیری ماشین نظارت‌شده که برای یافتن یک سیگنال خاص آموزش می‌بینند، این روش به هیچ مدل نظری جدیدی وابسته نیست. این ویژگی به آن اجازه می‌دهد تا هر نوع ناهنجاری یا الگوی غیرمنتظره‌ای را در داده‌ها کشف کند، حتی اگر با پیش‌بینی‌های نظری فعلی مطابقت نداشته باشد. این یک گام بزرگ به سوی اکتشافات مبتنی بر داده است.

۲. کاهش وابستگی به شبیه‌سازی‌های پرهزینه: روش‌های سنتی نیاز به تولید حجم عظیمی از داده‌های شبیه‌سازی‌شده (مونت کارلو) برای آموزش طبقه‌بندها دارند. رویکرد بدون ناظر نیاز به داده‌های برچسب‌دار را از بین می‌برد و می‌تواند مستقیماً روی داده‌های واقعی یا شبیه‌سازی‌های عمومی‌تر آموزش ببیند، که به صرفه‌جویی قابل توجهی در منابع محاسباتی منجر می‌شود.

۳. ابزار تحلیلی جدید و قابل تفسیر: مدل LDA خروجی‌های قابل تفسیری ارائه می‌دهد. فیزیکدانان می‌توانند تم‌های آموخته‌شده را مطالعه کنند تا بفهمند کدام ویژگی‌های فیزیکی باعث تمایز بین سیگنال و پس‌زمینه می‌شوند. این ویژگی به درک عمیق‌تر فیزیک زیربنایی کمک می‌کند.

۴. الهام‌بخش برای همکاری‌های بین‌رشته‌ای: این مقاله یک نمونه درخشان از این است که چگونه ایده‌ها و ابزارها از یک حوزه علمی (علوم کامپیوتر و NLP) می‌توانند به طور مؤثری برای حل چالش‌های یک حوزه دیگر (فیزیک ذرات) به کار گرفته شوند. این موفقیت می‌تواند الهام‌بخش تحقیقات مشابه در آینده باشد.

مقاله «کشف الگوهای پنهان در رویدادهای برخوردی با مدل‌های احتمالاتی بیزی» یک چارچوب قدرتمند و جدید برای تحلیل داده‌های فیزیک پرانرژی معرفی می‌کند. با نمایش رویدادهای برخوردی به عنوان مجموعه‌ای از نقاط و به کارگیری مدل تخصیص پنهان دیریکله (LDA)، این پژوهش نشان می‌دهد که می‌توان به صورت کاملاً خودکار و بدون ناظر، سیگنال‌های فیزیک جدید را از پس‌زمینه عظیم مدل استاندارد جدا کرد.

این رویکرد نه تنها یک ابزار عملی برای جستجوی فیزیک فراتر از مدل استاندارد فراهم می‌کند، بلکه پارادایم جدیدی را برای تحلیل داده در LHC و برخورددهنده‌های آینده ارائه می‌دهد. با تمرکز بر روش‌های مستقل از مدل و مبتنی بر داده، این تحقیق راه را برای اکتشافات غیرمنتظره و درک عمیق‌تر قوانین بنیادین طبیعت هموار می‌سازد و بر اهمیت روزافزون هم‌افزایی میان فیزیک بنیادی و علوم داده تأکید می‌کند.