التنبؤ باستقرار المصادر في التجارب العلمية: دراسة حالة من مراقبة التريتيوم

في خطوة مبتكرة تهدف إلى دفع حدود المعرفة في علم الفيزياء، تسلط دراسة جديدة الضوء على استخدام نماذج تعلم عميقة (Deep Learning) في مراقبة التريتيوم، الذي يُعد مصدرًا أساسيًا في تجربة كارتسروه (KATRIN) لقياس كتلة النيوترينو بدقة غير مسبوقة. يتطلب هذا القياس الدقيق متابعة حثيثة لمصدر الجسيمات الغازية الخالية من النوافذ، حيث تحدث إشعاعات بيتا من التريتيوم.

تستخدم الدراسة تقنيات التحليل الطيفي عبر أشعة X الناتجة عن إشعاعات بيتا، مما يوفر تشخيصات فورية لتتبع التغيرات في نشاط المصدر. إلا أن الطرق التقليدية لرصد الانجراف (Drift Detection) تواجه صعوبة في التعامل مع طبيعة الأحداث غير المستقرة وغير المتكررة في التريتيوم الغازي.

تسعى هذه الدراسة إلى جسر الفجوة بين نماذج التنبؤ الزمنية الحديثة (Time-Series Forecasting) وتطبيقاتها الحقيقية، عن طريق الاستفادة من التعلم العميق للتنبؤ بالفترة الزمنية اللازمة لاستقرار المصدر بعد حدوث الاضطرابات. ومن خلال تطبيق نماذج متعددة كـ LSTM وN-BEATS وTFT وNHITS وDLinear وNLinear وTSMixer وChronos-LLM على بيانات تجريبية كبيرة ومعقدة، أظهرت النتائج وجود تحديين رئيسيين: التعلم من الأحداث النادرة للاضطراب والتنبؤ بفترات زمنية طويلة.

تقدم هذه المهمة التنبؤية قيمة عملية كبيرة، حيث تمكّن من تحسين جدولة وعمليات الصيانة خلال الفترات الاستقرار. إذ يُساهم التنبؤ الموثوق للوقت اللازم لاستقرار المصدر في تعزيز كفاءة القياسات وإدارة المهام خلال فترات الاستقرار.

من خلال اختيار النماذج، تم تحديد نموذج N-BEATS كالأفضل أداءً، حيث أبدع في الدقة وقابلية التكرار. تُظهر هذه النتائج أن التعلم العميق يمكن أن يُحسّن بشكل ملحوظ التجارب الفيزيائية الكبيرة.