شبكة عصبية دربت على تصادمات البروتونات والإلكترونات نقلت مهاراتها إلى تجربة مختلفة تمامًا — اصطياد النيوترينوات. وكأنها طاهٍ تعلم فنون المطبخ الفرنسي، ثم أتقن بلا تحضير مسبق طبق بيلاف أوزبكي رائع.
أخذ الباحثون نموذج OmniLearned، الذي درب على بيانات من مسرعات جسيمات حيث الطاقات هائلة والكاشفات معقدة. ثم اختبروه على أحداث من MINERvA — كاشف يلتقط النيوترينوات من مسرع بطاقة لا تتجاوز بضعة غيغا إلكترون فولت. كان على الشبكة العصبية أن تخمن طاقة الجسيمات وتميز ما إذا كانت البيونات قد ولدت في التفاعل.
النتيجة فاجأت الجميع: النموذج الذي لم يرَ بيانات نيوترينو من قبل، تفوق على نماذج مشابهة دربت من الصفر خصيصًا لـ MINERvA. وبنفس حجم العمليات الحسابية ونفس عدد خطوات التدريب، أعطى النموذج المنقول إجابات أكثر دقة. هذا يعني أنه أثناء التدريب على بيانات متنوعة، تعلمت الشبكة العصبية أنماطًا عامة في فيزياء الجسيمات تصلح أيضًا لطاقات وكاشفات وأنواع تفاعلات أخرى.
هذا النقل المعرفي يبشر بثورة في تحليل البيانات: بدلًا من تدريب نموذج جديد لكل تجربة على حدة، يمكن استخدام أداة عالمية واحدة. هذا سيوفر الوقت والموارد الحاسوبية، وسيسرع الاكتشافات.
وها هو الطاهي الذي أتقن المطبخ الفرنسي يطهو البيلاف — ويجيده أكثر من الطهاة المحليين. ربما قريبًا سيحصل الفيزيائيون على مساعد عالمي يفهم لغة الجسيمات أينما ولدت وكيفما تكونت.
كما كتبه المؤلفون، بالإنجليزية arXiv:2604.12364
Future AI-based studies in particle physics will likely start from a foundation model to accelerate training and enhance sensitivity. As a step towards a general-purpose foundation model for particle physics, we investigate whether the OmniLearned foundation model pre-trained on diverse high-$$Q^2$$ simulated and real $$pp$$ and $$ep$$ collisions can be effectively transferred to a few-GeV fixed-target neutrino experiment. We process MINERvA neutrino--nucleus scattering events and evaluate pre-trained models on two types of tasks: regression of available energy and binary classification of charged-current pion final states ($$\mathrm{CC1\pi^{\pm}}$$, $$\mathrm{CCN\pi^{\pm}}$$, and $$\mathrm{CC1\pi^{0}}$$). Pre-trained OmniLearned models consistently outperform similarly sized models trained from scratch, achieving better overall performance at the same compute budget, as well as achieving better performance at the same number of training steps. These results suggest that particle-level foundation models acquire inductive biases that generalize across large differences in energy scale, detector technology, and underlying physics processes, pointing toward a paradigm of detector-agnostic inference in particle physics.
النيوترينوات بعيدة المنال لدرجة أن كل ثانية تمر عبر جسمك تريليونات من هذه الجسيمات، لكن خلال حياتك كلها، يتفاعل واحد أو اثنان فقط مع مادة جسمك.