การเรียนรู้ของเครื่องมีอยู่ทุกที่ ตัวอย่างเช่น วิธีที่ Spotify ให้คำแนะนำแก่คุณเกี่ยวกับสิ่งที่ควรฟังต่อไป หรือวิธีที่ Siri ตอบคำถามของคุณ และใช้ในฟิสิกส์อนุภาคด้วย ตั้งแต่การคำนวณเชิงทฤษฎีไปจนถึงการวิเคราะห์ข้อมูล ตอนนี้ ทีมงานซึ่งรวมถึงนักวิจัยจาก CERN และ Google ได้คิดค้นวิธีการใหม่ในการเพิ่มความเร็วเครือข่ายประสาทเทียมแบบลึก ซึ่งเป็นรูปแบบของอัลกอริธึมการเรียนรู้ด้วยเครื่อง สำหรับการเลือกโปรตอน-โปรตอนชนกันที่ Large Hadron Collider (LHC) สำหรับการวิเคราะห์เพิ่มเติม
เครื่องตรวจจับอนุภาครอบวงแหวน LHC ใช้ระบบ "ทริกเกอร์" ของฮาร์ดแวร์อิเล็กทรอนิกส์เพื่อเลือกการชนกันของอนุภาคที่อาจน่าสนใจสำหรับการวิเคราะห์เพิ่มเติม ด้วยอัตราการชนของโปรตอนกับโปรตอนในปัจจุบันที่ LHC สูงถึง 1 พันล้านการชนต่อวินาที ซอฟต์แวร์ที่ใช้อยู่ในปัจจุบันบนระบบทริกเกอร์ของเครื่องตรวจจับจะเลือกว่าจะเลือกการชนกันในเวลาที่กำหนดหรือไม่ ซึ่งเป็นเพียงไมโครวินาที . แต่ด้วยอัตราการชนที่เพิ่มขึ้นจากปัจจัยห้าถึงเจ็ดด้วย LHC ที่ได้รับการอัพเกรดในอนาคต HL-LHC นักวิจัยจึงกำลังสำรวจซอฟต์แวร์ทางเลือก ซึ่งรวมถึงอัลกอริธึมการเรียนรู้ด้วยเครื่อง ซึ่งจะทำให้ตัวเลือกนี้เร็วขึ้น
เข้าสู่การศึกษาใหม่โดยนักวิจัยและเพื่อนร่วมงานของ CERN ซึ่งต่อยอดจากงานก่อนหน้านี้ที่ได้แนะนำเครื่องมือซอฟต์แวร์เพื่อปรับใช้เครือข่ายประสาทเทียมแบบลึกบนฮาร์ดแวร์ประเภทหนึ่งที่เรียกว่า field-programmable gate arrays (FPGAs) ที่สามารถตั้งโปรแกรมให้ทำงานที่แตกต่างกัน งานรวมทั้งการเลือกชนกันของอนุภาคที่น่าสนใจ นักวิจัยของ CERN และเพื่อนร่วมงานได้พัฒนาเทคนิคที่ลดขนาดของโครงข่ายประสาทเทียมแบบลึกลง 50 เท่า และสามารถประมวลผลเครือข่ายได้ XNUMX นาโนวินาที ซึ่งต่ำกว่าเวลาที่มีให้เลือกว่าจะบันทึกหรือละทิ้งการชนกัน
"เทคนิคนี้ทำให้บีบอัดโครงข่ายประสาทลึกโดยลดความแม่นยำเชิงตัวเลขของพารามิเตอร์ที่อธิบาย" ผู้เขียนร่วมของการศึกษาและนักวิจัยของ CERN กล่าว Vladimir Loncar “สิ่งนี้เกิดขึ้นระหว่างการฝึกอบรมหรือการเรียนรู้ของเครือข่าย ทำให้เครือข่ายสามารถปรับตัวให้เข้ากับการเปลี่ยนแปลงได้ ด้วยวิธีนี้ คุณสามารถลดขนาดเครือข่ายและเวลาในการประมวลผลได้โดยไม่สูญเสียประสิทธิภาพของเครือข่าย”
นอกจากนี้ เทคนิคนี้สามารถค้นหาความแม่นยำเชิงตัวเลขได้ดีที่สุดเมื่อพิจารณาจากข้อจำกัดด้านฮาร์ดแวร์บางประการ เช่น ปริมาณทรัพยากรฮาร์ดแวร์ที่มีอยู่
หากยังไม่เพียงพอ เทคนิคนี้มีข้อดีคือใช้งานง่ายสำหรับผู้ที่ไม่ใช่ผู้เชี่ยวชาญ และสามารถใช้กับ FPGA ในเครื่องตรวจจับอนุภาคและในอุปกรณ์อื่นๆ ที่ต้องใช้เครือข่ายที่มีเวลาในการประมวลผลที่รวดเร็วและมีขนาดเล็ก
มองไปข้างหน้า นักวิจัยต้องการใช้เทคนิคของพวกเขาในการออกแบบระบบทริกเกอร์รูปแบบใหม่สำหรับการจำแนกการชนที่ปกติแล้วจะถูกละทิ้งโดยทริกเกอร์แบบเดิม ระบบ แต่นั่นสามารถซ่อนปรากฏการณ์ใหม่ได้ "เป้าหมายสูงสุดคือการสามารถจับภาพการชนที่อาจชี้ไปที่ฟิสิกส์ใหม่นอกเหนือจากแบบจำลองมาตรฐานของฟิสิกส์อนุภาค" Thea Aarrestad ผู้ร่วมวิจัยและนักวิจัยของ CERN กล่าว