Accélérer l’apprentissage automatique pour la physique des particules

Accélérer l'apprentissage automatique pour la physique des particules

Un réseau de neurones profonds ultra-compressé sur un réseau de portes programmable sur le terrain. Crédit : Sioni P. Summers

L’apprentissage automatique est partout. Par exemple, c’est ainsi que Spotify vous donne des suggestions sur ce qu’il faut écouter ensuite ou comment Siri répond à vos questions. Et il est également utilisé en physique des particules, des calculs théoriques à l’analyse des données. Aujourd’hui, une équipe comprenant des chercheurs du CERN et de Google a mis au point une nouvelle méthode pour accélérer les réseaux de neurones profonds – une forme d’algorithmes d’apprentissage automatique – pour sélectionner les collisions proton-proton au Grand collisionneur de hadrons (LHC) pour une analyse plus approfondie. La technique, décrite dans un article qui vient de paraître dans Nature Machine Intelligence, pourrait également être utilisé au-delà de la physique des particules.

Les détecteurs de particules autour de l’anneau du LHC utilisent un système de “déclenchement” matériel électronique pour sélectionner des collisions de particules potentiellement intéressantes pour une analyse plus approfondie. Avec le taux actuel de collisions proton-proton au LHC, jusqu’à 1 milliard de collisions par seconde, le logiciel actuellement utilisé sur les systèmes de déclenchement des détecteurs choisit de sélectionner ou non une collision dans le temps requis, qui n’est qu’une microseconde. . Mais avec le taux de collision qui devrait être multiplié par cinq à sept avec le futur LHC amélioré, le HL-LHC, les chercheurs explorent des logiciels alternatifs, y compris des algorithmes d’apprentissage automatique, qui pourraient accélérer ce choix.

Entrez dans la nouvelle étude des chercheurs et collègues du CERN, qui s’appuie sur des travaux antérieurs qui ont introduit un outil logiciel pour déployer des réseaux de neurones profonds sur un type de matériel, appelé FPGA (field-programmable gate arrays), qui peut être programmé pour effectuer différentes tâches, y compris la sélection des collisions de particules d’intérêt. Les chercheurs du CERN et leurs collègues ont développé une technique qui réduit la taille d’un réseau de neurones profonds d’un facteur 50 et atteint un temps de traitement du réseau de dizaines de nanosecondes, bien en deçà du temps disponible pour choisir d’enregistrer ou d’éliminer une collision.

« La technique se résume à compresser le réseau de neurones profonds en réduisant la précision numérique des paramètres qui le décrivent », explique le co-auteur de l’étude et chercheur au CERN Vladimir Loncar. « Cela se fait pendant la formation, ou l’apprentissage, du réseau, permettant au réseau de s’adapter au changement. De cette façon, vous pouvez réduire la taille du réseau et le temps de traitement, sans perte de performances du réseau. »

De plus, la technique peut trouver quelle précision numérique est la meilleure à utiliser compte tenu de certaines contraintes matérielles, telles que la quantité de ressources matérielles disponibles.

Si cela ne suffisait pas, la technique a l’avantage d’être facile à utiliser pour les non-experts, et elle peut être utilisée sur les FPGA dans les détecteurs de particules et dans d’autres appareils qui nécessitent des réseaux avec des temps de traitement rapides et de petites tailles.

Pour l’avenir, les chercheurs souhaitent utiliser leur technique pour concevoir un nouveau type de système de déclenchement pour repérer les collisions qui seraient normalement ignorées par un système de déclenchement conventionnel mais qui pourraient masquer de nouveaux phénomènes. “L’objectif ultime est de pouvoir capturer des collisions qui pourraient pointer vers une nouvelle physique au-delà du modèle standard de la physique des particules”, explique un autre co-auteur de l’étude et chercheur au CERN, Thea Aarrestad.


Comment les techniques d’apprentissage automatique du CERN pourraient améliorer les véhicules autonomes


Plus d’information:
Claudionor N. Coelho et al, Quantification hétérogène automatique des réseaux de neurones profonds pour l’inférence à faible latence sur le bord pour les détecteurs de particules, Nature Machine Intelligence (2021). DOI : 10.1038 / s42256-021-00356-5

Citation: Accélérer l’apprentissage automatique pour la physique des particules (2021, 22 juin) récupéré le 22 juin 2021 sur https://techxplore.com/news/2021-06-machine-particle-physics.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.