تتميز [نماذج المحولات](/tag/[نماذج](/tag/نماذج)-[المحولات](/tag/المحولات)) ([Transformers](/tag/transformers)) بقدرتها الفائقة على التقاط الترابطات العالمية والمحلية ضمن اصطدامات الجزيئات عالية [الطاقة](/tag/الطاقة). لكن، تظل هذه [النماذج](/tag/النماذج) تواجه [تحديات](/tag/تحديات) كبيرة عندما يتعلق الأمر بتطبيقها في بيئات ذات تدفق [بيانات](/tag/بيانات) عالي، مثل مصادم الهاي لهيون (CERN LHC). تكمن المشكلة الأساسية في التعقيد التربيعي لنماذج المحولات، مما يتطلب [موارد](/tag/موارد) ضخمة ويزيد من زمن الاستدلال، وبالتالي يعوق فعاليتها.

للتغلب على هذه التحديات، نقدم اليوم [المحول](/tag/المحول) الخطي الواعي مكانيًا (SAL-T)، وهو [تحسين](/tag/تحسين) مستوحى من [الفيزياء](/tag/الفيزياء) للهيكلية المعروفة باسم linformer، والذي يحافظ على [انتباه](/tag/انتباه) خطي. تعتمد هذه الطريقة الجديدة على تقسيم الجزيئات بشكل واعٍ اعتمادًا على [ميزات](/tag/ميزات) [الحركة](/tag/الحركة) (kinematic features)، مما يسمح بحساب التوجه بين مناطق ذات دلالة فيزيائية.

وبالإضافة إلى ذلك، يتم استخدام طبقات التلافيف (convolutional layers) لالتقاط الترابطات المحلية، مدفوعة برؤى مستمدة من [فيزياء](/tag/فيزياء) jets. لم يقتصر الأمر على [تحسين أداء](/tag/[تحسين](/tag/تحسين)-[أداء](/tag/أداء)) SAL-T في مهام [تصنيف](/tag/تصنيف) الجزيئات فحسب، بل حقق أيضًا نتائج [تصنيف](/tag/تصنيف) تقارن بالنماذج الكاملة الانتباه، مع استخدام [موارد](/tag/موارد) أقل ووقت [استدلال](/tag/استدلال) أقل بكثير. تُظهر [التجارب](/tag/التجارب) على [مجموعة بيانات](/tag/مجموعة-[بيانات](/tag/بيانات)) [تصنيف](/tag/تصنيف) [السحب النقطية](/tag/السحب-النقطية) العامة (ModelNet10) تأكيدًا إضافيًا لهذه الاتجاهات.

لمعرفة المزيد حول SAL-T والمساهمة في الأبحاث، يمكنكم زيارة [كود](/tag/كود) المصدر على [رابط GitHub](https://github.com/aaronw5/SAL-T4HEP). ما رأيكم في هذا التطور المذهل؟ شاركونا في [التعليقات](/tag/التعليقات)!