L'apprendimento automatico è ovunque. Ad esempio, è il modo in cui Spotify ti dà suggerimenti su cosa ascoltare dopo o come Siri risponde alle tue domande. Ed è usato anche nella fisica delle particelle, dai calcoli teorici all'analisi dei dati. Ora un team che include ricercatori del CERN e di Google ha escogitato un nuovo metodo per accelerare le reti neurali profonde, una forma di algoritmi di apprendimento automatico, per selezionare le collisioni protone-protone al Large Hadron Collider (LHC) per ulteriori analisi.
I rilevatori di particelle attorno all'anello di LHC utilizzano un sistema di "attivazione" hardware elettronico per selezionare collisioni di particelle potenzialmente interessanti per ulteriori analisi. Con l'attuale tasso di collisioni protone-protone all'LHC, fino a 1 miliardo di collisioni al secondo, il software attualmente in uso sui sistemi di trigger dei rivelatori sceglie se selezionare o meno una collisione nel tempo richiesto, che è un semplice microsecondo . Ma con il tasso di collisione destinato ad aumentare di un fattore da cinque a sette con il futuro LHC aggiornato, l'HL-LHC, i ricercatori stanno esplorando software alternativi, inclusi algoritmi di apprendimento automatico, che potrebbero rendere questa scelta più veloce.
Entra nel nuovo studio di ricercatori e collaboratori del CERN, che si basa su un lavoro precedente che ha introdotto uno strumento software per distribuire reti neurali profonde su un tipo di hardware, chiamato array di porte programmabili sul campo (FPGA), che può essere programmato per eseguire diverse compiti, inclusa la selezione di collisioni di particelle di interesse. I ricercatori del CERN e i loro colleghi hanno sviluppato una tecnica che riduce le dimensioni di una rete neurale profonda di un fattore 50 e raggiunge un tempo di elaborazione della rete di decine di nanosecondi, ben al di sotto del tempo disponibile per scegliere se salvare o scartare una collisione.
"La tecnica si riduce alla compressione della rete neurale profonda riducendo la precisione numerica dei parametri che la descrivono", afferma il coautore dello studio e ricercatore del CERN Vladimir Loncar. “Questo viene fatto durante la formazione, o l'apprendimento, della rete, consentendo alla rete di adattarsi al cambiamento. In questo modo, puoi ridurre le dimensioni della rete e il tempo di elaborazione, senza una perdita di prestazioni della rete".
Inoltre, la tecnica può trovare quale precisione numerica è migliore da usare dati determinati vincoli hardware, come la quantità di risorse hardware disponibili.
Se ciò non bastasse, la tecnica ha il vantaggio di essere facile da usare per i non esperti, e può essere utilizzata su FPGA nei rivelatori di particelle e in altri dispositivi che richiedono reti con tempi di elaborazione rapidi e dimensioni ridotte.
Guardando al futuro, i ricercatori vogliono usare la loro tecnica per progettare un nuovo tipo di sistema di innesco per individuare le collisioni che normalmente verrebbero scartate da un grilletto convenzionale sistema ma questo potrebbe nascondere nuovi fenomeni. "L'obiettivo finale è essere in grado di catturare collisioni che potrebbero puntare a una nuova fisica oltre il modello standard della fisica delle particelle", afferma un altro coautore dello studio e ricercatore del CERN Thea Aarrestad.