突破性的神经网络支持复杂物理研究

AI行业新闻10个月前发布 yundic
421 0 0

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。

© 版权声明

相关文章

暂无评论

暂无评论...