機械学習はいたるところにあります。 たとえば、Spotifyが次に何を聞くべきかを提案したり、Siriが質問に答えたりする方法です。 また、理論計算からデータ分析まで、素粒子物理学でも使用されています。 現在、CERNとGoogleの研究者を含むチームが、大型ハドロン衝突型加速器（LHC）での陽子-陽子衝突を選択してさらに分析するためのディープニューラルネットワーク（機械学習アルゴリズムの一種）を高速化する新しい方法を考案しました。
LHCリング周辺の粒子検出器は、電子ハードウェアの「トリガー」システムを使用して、さらに分析するために潜在的に興味深い粒子衝突を選択します。 LHCでの陽子-陽子衝突の現在の速度、1秒あたり最大XNUMX億回の衝突により、検出器のトリガーシステムで現在使用されているソフトウェアは、必要な時間（わずかマイクロ秒）で衝突を選択するかどうかを選択します。 。 しかし、将来のアップグレードされたLHCであるHL-LHCで衝突率がXNUMX〜XNUMX倍に増加するように設定されているため、研究者はこの選択をより速くすることができる機械学習アルゴリズムを含む代替ソフトウェアを模索しています。
CERNの研究者や同僚による新しい研究に参加してください。これは、フィールドプログラマブルゲートアレイ（FPGA）と呼ばれる、さまざまなパフォーマンスを実行するようにプログラムできるハードウェアのタイプにディープニューラルネットワークを展開するソフトウェアツールを導入した以前の研究に基づいています。対象の粒子衝突の選択を含むタスク。 CERNの研究者とその同僚は、ディープニューラルネットワークのサイズを50分のXNUMXに縮小し、数十ナノ秒のネットワーク処理時間を実現する手法を開発しました。これは、衝突を保存するか破棄するかを選択するために利用できる時間よりもはるかに短い時間です。
「この手法は、それを説明するパラメーターの数値精度を下げることによって、ディープニューラルネットワークを圧縮することに要約されます」と、研究の共著者でありCERNの研究者であるウラジミールロンカーは述べています。 「これはネットワークのトレーニングまたは学習中に行われ、ネットワークが変化に適応できるようにします。 このようにして、ネットワークパフォーマンスを損なうことなく、ネットワークサイズと処理時間を削減できます。」
さらに、この手法では、使用可能なハードウェアリソースの量など、特定のハードウェアの制約を考慮して、どの数値精度を使用するのが最適かを見つけることができます。
それだけでは不十分な場合、この手法には専門家以外でも簡単に使用できるという利点があり、粒子検出器のFPGAや、処理時間が速くてサイズが小さいネットワークを必要とするその他のデバイスで使用できます。
将来的には、研究者は彼らの技術を使用して、通常は従来のトリガーによって破棄される衝突を発見するための新しい種類のトリガーシステムを設計したいと考えています しかし、それは新しい現象を隠す可能性があります。 「究極の目標は、素粒子物理学の標準模型を超えた新しい物理学を指し示す可能性のある衝突を捉えることができることです」と、この研究の別の共著者でCERNの研究者であるTheaAarrestadは述べています。