在要求苛刻的实验物理领域，机器学习(ML)技术正在帮助研究人员分析庞大但稀疏的数据集。
想象一下从一本1000页的书中提取信息的任务，每一页只有一行文字。用一台扫描仪扫描这样一本书，每一页一英寸地有条理地读取，将非常费力，大部分精力浪费在扫描空白处。
实验物理学家，特别是粒子物理学也是如此。在这里，探测器记录和分析了大量的数据，尽管只有很小的一部分有用。
正如SLAC国家加速器实验室的物理学家Kazuhiro Terao所描述的那样，“在一张照片中，比如说，一只鸟在天空中飞行，每个像素都可能是有意义的”，但在物理学家经常仔细检查的图像中，只有一小部分真正重要。这种劳动密集型的练习浪费了时间和计算资源。
ML以稀疏卷积神经网络(SCNN)的形式提供了解决方案。
通过使研究人员能够放大数据的重要部分并过滤掉其余部分，SCNN加速了实时数据分析。
2012年，当时在华威大学工作的本杰明·格雷厄姆(Benjamin Graham)的目标是创建一个神经网络来识别中文笔迹。他调整了神经网络的基准形式卷积神经网络(CNN)，使其更适合于被认为是稀疏的数据，就像汉字的图像。
格雷厄姆为稀疏数据提供了另一个类比：假设埃菲尔铁塔被包裹在尽可能最小的矩形中，这个矩形将“99.98%是空气，只有0.02%是铁。”
如果你只关心金属，你正在分析大量无用的空间。
SCNN的问世
在成功创建了一个可以有效识别手写中文的系统后，Graham转向了一个更大的挑战：识别3D物体。
他改进了他的技术，并发表了第一次， 2017年的SCNN Facebook AI Research
太郎介绍了这一点粒子物理学概念 费米国家加速器实验室，该实验室研究中微子（宇宙中质量最高且最丰富的粒子）。
Terao认识到SCNN可以优化地下中微子实验（DUNE）的数据分析，他指出SCNN比传统方法更快、更有效地处理数据。
除了中微子研究之外，麻省理工学院的物理学家菲利普·哈里斯计划在欧洲核子研究中心的大型强子对撞机（LHC）上应用SCNN。
哈里斯希望，SCNN可以将大型强子对撞机的数据分析速度提高至少50倍，为发现特别感兴趣的粒子做出贡献。
