기계 학습은 어디에나 있습니다. 예를 들어 Spotify가 다음에들을 내용이나 Siri가 질문에 대답하는 방법에 대한 제안을 제공하는 방법입니다. 그리고 이론적 계산에서 데이터 분석에 이르기까지 입자 물리학에서도 사용됩니다. 이제 CERN과 Google의 연구원을 포함한 팀은 추가 분석을 위해 LHC (Large Hadron Collider)에서 양성자-양성자 충돌을 선택하기위한 심층 신경망 (머신 러닝 알고리즘의 한 형태) 속도를 높이는 새로운 방법을 고안했습니다.
LHC 링 주변의 입자 탐지기는 전자 하드웨어 "트리거"시스템을 사용하여 추가 분석을 위해 잠재적으로 흥미로운 입자 충돌을 선택합니다. LHC에서 현재의 양성자-양성자 충돌 속도 (초당 최대 1 억 충돌)로 현재 검출기의 트리거 시스템에서 사용중인 소프트웨어는 필요한 시간 (마이크로 초)에 충돌을 선택할지 여부를 선택합니다. . 그러나 미래의 업그레이드 된 LHC 인 HL-LHC와 함께 충돌 률이 XNUMX ~ XNUMX 배 증가하도록 설정됨에 따라 연구원들은이 선택을 더 빠르게 할 수있는 기계 학습 알고리즘을 포함한 대체 소프트웨어를 탐색하고 있습니다.
CERN 연구원 및 동료의 새로운 연구에 참여하세요.이 연구는 FPGA (field-programmable gate arrays)라고하는 하드웨어 유형에 심층 신경망을 배포하는 소프트웨어 도구를 도입 한 이전 작업을 기반으로하며, 다른 작업을 수행하도록 프로그래밍 할 수 있습니다. 관심있는 입자 충돌 선택을 포함한 작업. CERN 연구진과 동료들은 심층 신경망의 크기를 50 배까지 줄이고 수십 나노초의 네트워크 처리 시간을 달성하는 기술을 개발했습니다. 이는 충돌을 저장하거나 삭제할지 여부를 선택할 수있는 시간보다 훨씬 적습니다.
연구의 공동 저자이자 CERN 연구원 인 Vladimir Loncar는“이 기술은 심층 신경망을 설명하는 매개 변수의 수치 적 정밀도를 줄여 심층 신경망을 압축하는 것으로 귀결됩니다. “이는 네트워크의 교육 또는 학습 중에 수행되므로 네트워크가 변화에 적응할 수 있습니다. 이런 식으로 네트워크 성능 저하없이 네트워크 크기와 처리 시간을 줄일 수 있습니다. "
또한이 기술은 사용 가능한 하드웨어 리소스의 양과 같은 특정 하드웨어 제약 조건에서 가장 적합한 수치 정밀도를 찾을 수 있습니다.
충분하지 않은 경우이 기술은 비전문가도 쉽게 사용할 수 있다는 장점이 있으며 입자 검출기의 FPGA 및 빠른 처리 시간과 작은 크기의 네트워크가 필요한 기타 장치에서 사용할 수 있습니다.
앞으로 연구자들은 기존의 트리거에 의해 일반적으로 폐기되는 충돌을 발견하기위한 새로운 종류의 트리거 시스템을 설계하는 데이 기술을 사용하려고합니다. 체계 그러나 그것은 새로운 현상을 숨길 수 있습니다. “최종 목표는 입자 물리학의 표준 모델을 넘어서는 새로운 물리학을 가리키는 충돌을 포착 할 수있는 것입니다.”라고 연구의 또 다른 공동 저자이자 CERN 연구원 인 Thea Aarrestad는 말합니다.