Материал портала ядерных знаний BelNET
статья/документ по запросу ресурса "1377"
Новости ЦЕРН - Ускорение машинного обучения для физики элементарных частиц На сайте ЦЕРН опубликована интересная статья "Speeding up machine learning for particle physics" - "Ускорение машинного обучения для физики элементарных частиц".
В ней рассказывается о новом методе, ускоряющем работу глубоких нейронных сетей для выбора протон-протонных столкновений на Большом адронном коллайдере для дальнейшего анализа. Машинное обучение сейчас повсюду. Например, Spotify подсказывает, что слушать дальше. Или Siri отвечает на ваши вопросы. И это тоже используется в физике элементарных частиц - от теоретических расчетов до анализа данных. Теперь команда, в которую входят исследователи из ЦЕРНа и Google, разработала новый метод ускорения глубоких нейронных сетей - разновидность алгоритмов машинного обучения - для выбора протон-протонных столкновений на Большом адронном коллайдере (LHC) для дальнейшего анализа. Техника, описанная в статье, только что опубликованной в журнале Nature Machine Intelligence, также может использоваться не только в физике элементарных частиц. Детекторы частиц вокруг кольца LHC используют электронную аппаратную «триггерную» систему для выбора потенциально интересных столкновений частиц для дальнейшего анализа. При текущей скорости протон-протонных столкновений на LHC - до 1 миллиарда столкновений в секунду, программное обеспечение, используемое в настоящее время в триггерных системах детекторов, анализирует, выбирать ли столкновение, за время, составляющее всего микросекунду. Но с учетом того, что частота столкновений увеличится в 5-7 раз в будущем модернизированном LHC, HL-LHC, исследователи изучают альтернативное программное обеспечение, включая алгоритмы машинного обучения, которые могли бы сделать этот выбор быстрее. Новое исследование исследователей и сотрудников ЦЕРН основано на предыдущей работе, в которой был представлен программный инструмент для развертывания глубоких нейронных сетей на аппаратном обеспечении, называемом программируемыми вентильными матрицами (field-programmable gate arrays - FPGA), которые можно запрограммировать для выполнения различных задач. В том числе для задач выбора интересующих столкновений частиц. Исследователи разработали методику, которая уменьшает размер глубокой нейронной сети в 50 раз и обеспечивает время обработки сети в десятки наносекунд - намного меньше времени, доступного для выбора, сохранить или отменить коллизию. Кроме того, этот метод позволяет определить, какая числовая точность лучше всего подходит для использования с учетом определенных аппаратных ограничений, таких как количество доступных аппаратных ресурсов. Заглядывая вперед, исследователи хотят использовать свою технику для разработки нового типа триггерной системы для обнаружения столкновений, которые игнорируются обычной триггерной системой, но которая может скрыть новые явления. Конечная цель - иметь возможность фиксировать столкновения, которые могут указывать на новую физику, выходящую за рамки Стандартной модели физики элементарных частиц. Полная информация доступна здесь. Загрузить:
|
Вход, регистрация
