التعلم الآلي موجود في كل مكان. على سبيل المثال ، هذه هي الطريقة التي يمنحك بها Spotify اقتراحات لما يجب الاستماع إليه بعد ذلك أو كيف يجيب Siri على أسئلتك. ويتم استخدامه أيضًا في فيزياء الجسيمات ، من الحسابات النظرية إلى تحليل البيانات. الآن توصل فريق يضم باحثين من CERN و Google إلى طريقة جديدة لتسريع الشبكات العصبية العميقة - وهي شكل من أشكال خوارزميات التعلم الآلي - لاختيار تصادم البروتونات والبروتونات في مصادم الهادرونات الكبير (LHC) لمزيد من التحليل.
تستخدم كاشفات الجسيمات حول حلقة LHC نظام "تشغيل" الأجهزة الإلكترونية لاختيار تصادمات الجسيمات التي يحتمل أن تكون مثيرة للاهتمام لمزيد من التحليل. مع المعدل الحالي لتصادم البروتونات والبروتونات في مصادم الهادرونات الكبير ، ما يصل إلى مليار تصادم في الثانية ، يختار البرنامج المستخدم حاليًا في أنظمة إطلاق الكاشفات ما إذا كان سيتم تحديد تصادم في الوقت المطلوب أم لا ، وهو مجرد ميكروثانية. . ولكن مع زيادة معدل الاصطدام بعامل من خمسة إلى سبعة مع LHC الذي تم ترقيته في المستقبل ، HL-LHC ، يستكشف الباحثون برمجيات بديلة ، بما في ذلك خوارزميات التعلم الآلي ، التي يمكن أن تجعل هذا الاختيار أسرع.
أدخل الدراسة الجديدة التي أجراها باحثو CERN وزملاؤهم ، والتي تعتمد على العمل السابق الذي قدم أداة برمجية لنشر الشبكات العصبية العميقة على نوع من الأجهزة ، يسمى مصفوفات البوابة القابلة للبرمجة الميدانية (FPGAs) ، والتي يمكن برمجتها لأداء مختلف المهام ، بما في ذلك اختيار اصطدامات الجسيمات ذات الأهمية. طور باحثو CERN وزملاؤهم تقنية تقلل من حجم الشبكة العصبية العميقة بمعامل 50 وتحقق وقت معالجة الشبكة لعشرات النانو ثانية - أقل بكثير من الوقت المتاح لاختيار ما إذا كنت تريد حفظ أو تجاهل الاصطدام.
يقول المؤلف المشارك للدراسة والباحث في CERN فلاديمير لونكار: "تتلخص التقنية في ضغط الشبكة العصبية العميقة عن طريق تقليل الدقة العددية للمعلمات التي تصفها". "يتم ذلك أثناء التدريب أو التعلم للشبكة ، مما يسمح للشبكة بالتكيف مع التغيير. بهذه الطريقة ، يمكنك تقليل حجم الشبكة ووقت المعالجة ، دون خسارة في أداء الشبكة. "
بالإضافة إلى ذلك ، يمكن للتقنية العثور على الدقة الرقمية الأفضل لاستخدامها نظرًا لقيود معينة على الأجهزة ، مثل مقدار موارد الأجهزة المتاحة.
إذا لم يكن ذلك كافيًا ، فإن لهذه التقنية ميزة أنها سهلة الاستخدام لغير الخبراء ، ويمكن استخدامها على FPGAs في كاشفات الجسيمات وفي الأجهزة الأخرى التي تتطلب شبكات ذات أوقات معالجة سريعة وأحجام صغيرة.
بالنظر إلى المستقبل ، يريد الباحثون استخدام أسلوبهم لتصميم نوع جديد من نظام الزناد لاكتشاف الاصطدامات التي عادةً ما يتم تجاهلها بواسطة محفز تقليدي نظام لكن هذا يمكن أن يخفي ظواهر جديدة. "الهدف النهائي هو التمكن من التقاط التصادمات التي يمكن أن تشير إلى فيزياء جديدة تتجاوز النموذج القياسي لفيزياء الجسيمات" ، كما يقول مؤلف مشارك آخر في الدراسة وباحث في CERN ثيا أرستاد.