Makine öğrenimi her yerde. Örneğin, Spotify size bundan sonra ne dinleyeceğiniz konusunda önerilerde bulunuyor veya Siri'nin sorularınızı nasıl yanıtladığını gösteriyor. Ayrıca teorik hesaplamalardan veri analizine kadar parçacık fiziğinde de kullanılıyor. Şimdi, CERN ve Google'dan araştırmacıların yer aldığı bir ekip, daha ileri analizler için Büyük Hadron Çarpıştırıcısı'ndaki (LHC) proton-proton çarpışmalarını seçmek amacıyla, derin sinir ağlarını hızlandırmak için yeni bir yöntem (bir tür makine öğrenimi algoritması) geliştirdi.
LHC halkasının etrafındaki parçacık detektörleri, daha ileri analizler için potansiyel olarak ilgi çekici parçacık çarpışmalarını seçmek amacıyla elektronik bir donanım "tetikleme" sistemi kullanır. LHC'deki proton-proton çarpışmalarının saniyede 1 milyara varan mevcut hızıyla, şu anda dedektörlerin tetikleme sistemlerinde kullanılan yazılım, yalnızca bir mikrosaniye olan gerekli sürede bir çarpışmayı seçip seçmemeyi seçiyor. . Ancak gelecekte yükseltilmiş LHC, HL-LHC ile çarpışma oranının beş ila yedi kat artmasıyla araştırmacılar, bu seçimi daha hızlı yapabilecek, makine öğrenimi algoritmaları da dahil olmak üzere alternatif yazılımları araştırıyorlar.
CERN araştırmacıları ve iş arkadaşları tarafından gerçekleştirilen ve sahada programlanabilir kapı dizileri (FPGA) adı verilen ve farklı performansları gerçekleştirmek üzere programlanabilen bir tür donanım üzerinde derin sinir ağlarını dağıtmak için bir yazılım aracı sunan önceki çalışmalara dayanan yeni çalışmaya girin. ilgilenilen parçacık çarpışmalarının seçilmesi de dahil olmak üzere görevler. CERN araştırmacıları ve meslektaşları, derin bir sinir ağının boyutunu 50 kat azaltan ve onlarca nanosaniyelik bir ağ işlem süresine ulaşan bir teknik geliştirdi; bu, bir çarpışmanın kaydedilmesi veya atılması arasında seçim yapmak için gereken sürenin çok altında.
Çalışmanın ortak yazarı ve CERN araştırmacısı Vladimir Loncar, "Teknik, onu tanımlayan parametrelerin sayısal kesinliğini azaltarak derin sinir ağını sıkıştırmaya indirgeniyor" diyor. "Bu, ağın eğitimi veya öğrenimi sırasında yapılır ve ağın değişime uyum sağlamasına olanak tanır. Bu sayede ağ performansında kayıp olmadan ağ boyutunu ve işlem süresini azaltabilirsiniz.”
Ek olarak teknik, mevcut donanım kaynaklarının miktarı gibi belirli donanım kısıtlamaları göz önüne alındığında hangi sayısal kesinliğin kullanılmasının en iyi olduğunu bulabilir.
Bu yeterli değilse, tekniğin uzman olmayanlar için kullanımının kolay olması gibi bir avantajı var ve parçacık dedektörlerindeki FPGA'larda ve hızlı işlem süresine ve küçük boyutlara sahip ağlar gerektiren diğer cihazlarda kullanılabilir.
İleriye dönük olarak araştırmacılar, normalde geleneksel bir tetikleyici tarafından atılacak olan çarpışmaları tespit etmek için yeni bir tür tetikleme sistemi tasarlamak üzere tekniklerini kullanmak istiyorlar. sistem ancak bu yeni fenomenleri gizleyebilir. Çalışmanın bir başka ortak yazarı ve CERN araştırmacısı Thea Aarrestad, "Nihai hedef, parçacık fiziğinin Standart Modelinin ötesinde yeni fiziğe işaret edebilecek çarpışmaları yakalayabilmektir" diyor.