加速粒子物理学的机器学习

机器学习无处不在。例如，它是 Spotify 为您提供下一步听什么的建议或 Siri 如何回答您的问题的方式。它也用于粒子物理学，从理论计算到数据分析。现在，由欧洲核子研究中心和谷歌的研究人员组成的团队提出了一种新方法来加速深度神经网络——一种机器学习算法——用于选择大型强子对撞机 (LHC) 的质子-质子碰撞进行进一步分析。刚刚发表在Nature Machine Intelligence 上的一篇论文中描述了这项技术，它也可以用于粒子物理学之外。

LHC 环周围的粒子探测器使用电子硬件“触发”系统来选择潜在的有趣粒子碰撞以进行进一步分析。以LHC当前的质子 -质子碰撞速率高达每秒 10 亿次碰撞，目前在探测器触发系统上使用的软件可以选择是否在所需的时间内选择碰撞，这仅是几微秒. 但是随着未来升级的 LHC HL-LHC 碰撞率将增加五到七倍，研究人员正在探索替代软件，包括机器学习算法，可以使这种选择更快。

进入 CERN 研究人员和同事的新研究，该研究建立在先前工作的基础上，该研究引入了一种软件工具，可以在一种称为现场可编程门阵列 (FPGA) 的硬件上部署深度神经网络，该硬件可以通过编程来执行不同的操作。任务，包括选择感兴趣的粒子碰撞。CERN 的研究人员和他们的同事开发了一种技术，将深度神经网络的大小减少了50 倍，并实现了数十纳秒的网络处理时间——远低于可供选择是保存还是丢弃碰撞的时间。

“该技术归结为通过降低描述深度神经网络的参数的数值精度来压缩深度神经网络，”该研究的合著者和 CERN 研究员 Vladimir Loncar 说。“这是在网络的训练或学习期间完成的，使网络能够适应变化。这样，您可以减少网络规模和处理时间，而不会损失网络性能。”

此外，该技术可以在给定某些硬件约束(例如可用硬件资源的数量)的情况下找到最适合使用的数值精度。

如果这还不够，该技术的优势在于它易于非专家使用，并且它可以用于粒子探测器中的 FPGA 以及需要具有快速处理时间和小尺寸的网络的其他设备。

展望未来，研究人员希望利用他们的技术设计一种新型触发系统，用于发现通常会被传统触发系统丢弃但可能隐藏新现象的碰撞。“最终目标是能够捕捉到可能指向粒子物理学标准模型之外的新物理学的碰撞，”该研究的另一位合著者和 CERN 研究员 Thea Aarrestad 说。

标签： 机器学习