في عالم العلوم الدقيقة، يعتمد كاشف الهدرون الكبير (Large Hadron Collider) بشكل كبير على تقنيات متقدمة لتحقيق تكامل الأداء وكفاءة الإشارة. يُعتبر التصفية في الوقت الحقيقي (triggering) أمرًا حيويًا، حيث تُبقي المختبرات العلمية على أحمال كبيرة من البيانات بينما تضع قيودًا صارمة على سعة التدفق والوقت والتخزين.

مع مرور الوقت، تصبح قوائم التصفية الثابتة التي تعتمد على الضبط اليدوي قديمة وغير فعالة مع تغير الظروف داخل الكاشف. وهنا يأتي دور التعلم المعزز (Reinforcement Learning)، حيث نستطيع صياغة ضبط العتبات كمسألة اتخاذ قرارات متسلسلة. يعتمد وكيل التعلم المعزز على معلومات مُستمدة من تدفقات البيانات ويقوم بتحديث عتبات التصفية لتحقيق أقصى كفاءة للإشارة مع التحكم في معدل الخلفية ضمن نطاق محدد.

كما تم تعديل تقنية Group-Filtered Policy Optimization (GFPO) لتناسب التحكم أثناء التدفق، مع تقديم نسختين مُحسنتين (GFPO-F، GFPO-FR) لضمان جدوى معدل الخلفية أثناء التدريب.

اجتاز فريق البحث اختبارًا يحاكي ظروف التشغيل الحقيقية للكاشف، حاز خلاله الوكيل على تحسينات ملحوظة في زمن قبول الإشارات: حيث حقق زيادة بنسبة 48% في عتبات الطاقة الإجمالية ($H_{T}$) و28% في عتبات الكشف عن الشذوذ، مع تحسينات تراكمية في كفاءة الإشارات.

ما يميز هذا الإنجاز هو نجاح الوكيل في التطبيق على بيانات الاصطدام الحقيقية دون الحاجة إلى تعديلات إضافية، مما أظهر زيادة بنسبة 56% في عتبات الطاقة الإجمالية و28% في الطفرات الشاذة. هذا الإنجاز يُعد الأول من نوعه في استخدام التعلم المعزز للتحكم في الأحداث في كاشف الهدرون الكبير، مما يمهد الطريق لاستخدام هذه الاستراتيجيات الذكية في المزيد من التطبيقات العلمية المستقبلية.

لمزيد من التفاصيل حول هذا البحث، يمكن زيارة رابط الكود على GitHub. ما رأيكم في استخدام التعلم المعزز في التطبيقات العلمية؟ شاركونا آراءكم في التعليقات!