Bevezetés
Tegyük fel, hogy van egy ezer oldalas könyve, de minden oldalon csak egyetlen sornyi szöveg található. A könyvben található információkat egy szkennerrel kell kinyernie, csak ez a lapolvasó szisztematikusan átmegy minden egyes oldalon, egyszerre egy négyzetcentimétert. Sok időbe telne, amíg átnézi az egész könyvet ezzel a szkennerrel, és az idő nagy részét az üres hely szkennelésére kell pazarolni.
Sok kísérletező fizikus élete ilyen. A részecskekísérletek során a detektorok hatalmas mennyiségű adatot rögzítenek és elemeznek, még akkor is, ha csak egy töredéke tartalmaz hasznos információkat. „Például egy égen repülő madárról készült fényképen minden pixel értelmes lehet” – magyarázta Kazuhiro Terao, a SLAC National Accelerator Laboratory fizikusa. De azokon a képeken, amelyeket a fizikus néz, gyakran csak egy kis része számít valójában. Ilyen körülmények között minden részlet átgondolása szükségtelenül időt és számítási erőforrásokat emészt fel.
De ez kezd változni. A ritka konvolúciós neurális hálózatként (SCNN) ismert gépi tanulási eszközzel a kutatók adataik releváns részeire összpontosíthatnak, a többit pedig kiszűrhetik. A kutatók ezeket a hálózatokat arra használták, hogy jelentősen felgyorsítsák valós idejű adatelemzési képességüket. És azt tervezik, hogy az SCNN-eket legalább három kontinensen a közelgő vagy már meglévő kísérletekben alkalmazzák. A váltás történelmi változást jelent a fizikus közösség számára.
„A fizikában hozzászoktunk ahhoz, hogy saját algoritmusainkat és számítási megközelítéseinket dolgozzuk ki” – mondta Carlos Argüelles-Delgado, a Harvard Egyetem fizikusa. „Mindig is a fejlesztés élvonalában voltunk, de most, ami a számítástechnikát illeti, gyakran az informatika vezet az élen.”
Ritka karakterek
Az SCNN-ekhez vezető munka 2012-ben kezdődött, amikor Benjamin Graham, akkor a Warwicki Egyetemen olyan neurális hálózatot akart készíteni, amely képes felismerni a kínai kézírást.
Az ehhez hasonló képekkel kapcsolatos feladatok akkori első számú eszközei a konvolúciós neurális hálózatok (CNN-ek) voltak. A kínai kézírási feladathoz az író egy digitális táblagépen nyom egy karaktert, mondjuk 10,000 3 pixeles képet hozva létre. A CNN ezután egy 3xXNUMX-as rácsot mozgat, amelyet kernelnek neveznek a teljes képen, és a kernelt az egyes pixelekre külön-külön középre állítva. A rendszermag minden elhelyezése esetén a hálózat bonyolult matematikai számítást hajt végre, amelyet konvolúciónak neveznek, amely megkülönböztető jellemzőket keres.
A CNN-eket információsűrű képekkel, például fényképekkel való használatra tervezték. De a kínai karaktert tartalmazó kép többnyire üres; a kutatók ritkanak emlegetik az ilyen tulajdonságú adatokat. Ez a természeti világban mindenre jellemző. „Hogy példát mutassak arra, milyen ritka tud lenni a világ” – mondta Graham, ha az Eiffel-tornyot a lehető legkisebb téglalapba foglalnák, az a téglalap „99.98% levegőből és mindössze 0.02% vasból állna”.
Bevezetés
Graham megpróbálta úgy módosítani a CNN-megközelítést, hogy a kernelt csak a kép háromszoros részében helyezzék el, amelyek legalább egy pixelt tartalmaznak, amelynek értéke nem nulla (és nem csak üres). Ily módon sikerült egy olyan rendszert létrehoznia, amely hatékonyan képes azonosítani a kézzel írt kínaiakat. 3-ban megnyert egy versenyt azáltal, hogy az egyes karaktereket mindössze 3%-os hibaaránnyal azonosította. (Az emberek átlagosan 2013%-ot értek el.) Ezután egy még nagyobb problémára fordította figyelmét: a háromdimenziós objektumfelismerésre.
2017-re Graham a Facebook AI Research-hez költözött, és tovább finomította technikáját és közzétett a részletek az első SCNN-hez, amely csak a nullától eltérő értékű képpontokra helyezte a kernelt (ahelyett, hogy a kernelt bármilyen 3x3-as szakaszra helyezte volna, amely legalább egy „nem nulla” pixellel rendelkezik). Ezt az általános elképzelést hozta Terao a részecskefizika világába.
Underground Shots
Terao részt vesz a Fermi National Accelerator Laboratory kísérleteiben, amelyek a neutrínók természetét vizsgálják, a legmegfoghatatlanabb ismert elemi részecskék között. Ezek az univerzum legnagyobb tömegű részecskéi (bár nem sok), de ritkán jelennek meg egy detektor belsejében. Ennek eredményeként a legtöbb neutrínó-kísérletre vonatkozó adat kevés, és Terao folyamatosan kereste az adatelemzés jobb megközelítéseit. Talált egyet az SCNN-ben.
2019-ben SCNN-eket alkalmazott a Deep Underground Neutrino Experiment, vagyis a DUNE adatok szimulációjára, amely a világ legnagyobb neutrínófizikai kísérlete lesz, amikor 2026-ban online lesz. A projekt a Chicago melletti Fermilabból fog neutrínókat lőni. 800 mérföldnyi földön keresztül egy dél-dakotai földalatti laboratóriumba. Útközben a részecskék „oszcillálnak” a három ismert neutrínótípus között, és ezek az oszcillációk részletes neutrínótulajdonságokat tárhatnak fel.
Az SCNN-k gyorsabban elemezték a szimulált adatokat, mint a hagyományos módszerek, és ehhez lényegesen kisebb számítási teljesítményre volt szükség. Az ígéretes eredmények azt jelentik, hogy az SCNN-eket valószínűleg a tényleges kísérleti futtatás során fogják használni.
Eközben 2021-ben Terao segített hozzáadni az SCNN-eket egy másik neutrínókísérlethez a Fermilabnál, amely MicroBooNE néven ismert. Itt a tudósok a neutrínók és az argonatomok atommagjai közötti ütközések következményeit vizsgálják. Az ezen kölcsönhatások által létrehozott nyomok vizsgálatával a kutatók részletekre következtethetnek az eredeti neutrínókról. Ehhez szükségük van egy olyan algoritmusra, amely a pixeleket (vagy technikailag háromdimenziós megfelelőit, az úgynevezett voxeleket) a detektor háromdimenziós ábrázolásában tudja megnézni, majd meghatározza, hogy mely pixelek milyen részecskepályákhoz vannak társítva.
Mivel az adatok olyan ritkák – apró vonalak egy nagy detektoron belül (körülbelül 170 tonna folyékony argon) –, az SCNN-ek szinte tökéletesek erre a feladatra. A szabványos CNN-nél a képet 50 darabra kellene felosztani a számítások elvégzése miatt, mondta Terao. „A ritka CNN-nel egyszerre elemezzük a teljes képet – és sokkal gyorsabban tesszük ezt.”
Időszerű triggerek
Az egyik kutató, aki a MicroBooNE-n dolgozott, egy Felix Yu nevű egyetemi gyakornok volt. Az SCNN-ek ereje és hatékonysága lenyűgözve magával vitte az eszközöket következő munkahelyére, mint végzős hallgató a Harvard kutatólaboratóriumában, amely hivatalosan is kapcsolódik a Déli-sarkon található IceCube Neutrino Obszervatóriumhoz.
Az obszervatórium egyik kulcsfontosságú célja az univerzum legnagyobb energiájú neutrínóinak elfogása, és visszakövetni őket forrásaikhoz, amelyek többsége galaxisunkon kívül található. A detektor 5,160 optikai szenzorból áll, amelyek az antarktiszi jegébe vannak eltemetve, és ezeknek csak egy kis része világít bármikor. A tömb többi része sötét marad, és nem különösebben informatív. Ami még rosszabb, a detektorok által rögzített „események” közül sok hamis pozitív, és nem hasznos a neutrínóvadászatban. Csak az úgynevezett trigger-szintű események jelentik a vágást a további elemzéshez, és azonnali döntéseket kell hozni arról, hogy melyek méltók erre a megjelölésre, és melyeket hagynak végleg figyelmen kívül.
A szabványos CNN-k túl lassúak ehhez a feladathoz, így az IceCube tudósai régóta a LineFit nevű algoritmusra hagyatkoznak, hogy elmondják nekik a potenciálisan hasznos észleléseket. De ez az algoritmus megbízhatatlan, mondta Yu, "ami azt jelenti, hogy lemaradhatunk érdekes eseményekről." Ismét egy ritka adatkörnyezet, amely ideális egy SCNN-hez.
Yu – Argüelles-Delgadóval, doktori tanácsadójával és Jeff Lazarral, a madisoni Wisconsini Egyetem végzős hallgatójával együtt – számszerűsítette ezt az előnyt, megmutatva egy friss papír hogy ezek a hálózatok körülbelül 20-szor gyorsabbak lennének, mint a tipikus CNN-ek. „Ez elég gyors ahhoz, hogy minden eseményen lefusson, ami a detektorból kijön” – körülbelül 3,000 másodpercenként – mondta Lazar. "Ez lehetővé teszi számunkra, hogy jobb döntéseket hozzunk arról, hogy mit dobjunk ki és mit tartsunk meg."
Bevezetés
A szerzők sikeresen alkalmaztak egy SCNN-t is a hivatalos IceCube-adatokat használó szimulációban, és a következő lépés a rendszerük tesztelése a déli pólus számítási rendszerének másolatán. Ha minden jól megy, Argüelles-Delgado úgy véli, hogy jövőre telepíteniük kell rendszerüket az Antarktiszi Obszervatóriumban. De a technológia még szélesebb körben használható. „Úgy gondoljuk, hogy [az SCNN-ek hasznára válhatnak] minden neutrínó teleszkópnak, nem csak az IceCube-nak” – mondta Argüelles-Delgado.
A neutrínókon túl
Philip Harris, a Massachusetts Institute of Technology fizikusa abban reménykedik, hogy az SCNN-ek segíthetnek a legnagyobb részecskeütköztetőben: a CERN-ben található Large Hadron Colliderben (LHC). Harris az MIT egyik kollégájától, Song Han informatikustól hallott erről a neurális hálózatról. „A Song szakértő az algoritmusok gyors és hatékony létrehozásában” – mondta Harris – tökéletes az LHC-hez, ahol másodpercenként 40 millió ütközés történik.
Amikor néhány évvel ezelőtt beszéltek, Song mesélt Harrisnek egy autonóm jármű projektről, amelyet laborja tagjaival folytatott. Song csapata SCNN-eket használva elemezte a jármű előtti tér 3D lézertérképét, amelynek nagy része üres, hogy lássák, vannak-e akadályok előtte.
Harris és kollégái hasonló kihívásokkal néznek szembe az LHC-nél. Amikor két proton ütközik a gép belsejében, az ütközés részecskékből álló táguló gömböt hoz létre. Amikor ezen részecskék egyike eléri a kollektort, másodlagos részecskezápor lép fel. „Ha fel tudja térképezni ennek a zápornak a teljes kiterjedését” – mondta Harris, „meg tudja határozni annak a részecske energiáját, amely ezt eredményezte”, amely különleges érdeklődésre számot tartó tárgy lehet – olyasmi, mint a Higgs-bozon, amit a fizikusok. 2012-ben fedezték fel, vagy egy sötét anyag részecskét, amelyet a fizikusok még mindig keresnek.
„A probléma, amit megpróbálunk megoldani, a pontok összekapcsolásából fakad” – mondta Harris, ahogy egy önvezető autó is összekapcsolhatja a lézertérkép pontjait, hogy észleljen egy akadályt.
Az SCNN-k legalább 50-szeresére gyorsítanák az LHC adatelemzését, mondta Harris. „Végső célunk az [SCNN-ek] bejuttatása a detektorba” – ez a feladat legalább egy év papírmunkát és további vásárlást igényel a közösségtől. De ő és kollégái bizakodóak.
Összességében egyre valószínűbb, hogy az SCNN-ek – egy eredetileg a számítástechnikai világban született ötlet – hamarosan szerepet fognak játszani a valaha végzett legnagyobb kísérletekben a neutrínófizikában (DUNE), a neutrínócsillagászatban (IceCube) és a nagyenergiás fizikában (LHC). .
Graham elmondta, hogy kellemesen meglepte, amikor megtudta, hogy az SCNN-ek eljutottak a részecskefizika felé, bár nem volt teljesen megdöbbenve. „Absztrakt értelemben – mondta –, az űrben mozgó részecske egy kicsit olyan, mint egy papíron mozgó toll hegye.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- EVM Finance. Egységes felület a decentralizált pénzügyekhez. Hozzáférés itt.
- Quantum Media Group. IR/PR erősített. Hozzáférés itt.
- PlatoAiStream. Web3 adatintelligencia. Felerősített tudás. Hozzáférés itt.
- Forrás: https://www.quantamagazine.org/sparse-neural-networks-point-physicists-to-useful-data-20230608/
- :van
- :is
- :nem
- :ahol
- ][p
- $ UP
- 000
- 10
- 20
- 2012
- 2013
- 2017
- 2019
- 2021
- 2026
- 3d
- 40
- 50
- a
- képesség
- Rólunk
- KIVONAT
- bőséges
- gyorsul
- gázpedál
- át
- tényleges
- tulajdonképpen
- hozzá
- További
- Előny
- Társult
- utóhatásai
- újra
- Augusztus
- előre
- AI
- ai kutatás
- AIR
- algoritmus
- algoritmusok
- Minden termék
- mentén
- Is
- mindig
- között
- Összegek
- an
- elemzés
- elemez
- és a
- Másik
- bármilyen
- bármi
- alkalmazott
- megközelítés
- megközelít
- körülbelül
- VANNAK
- Sor
- AS
- társult
- csillagászat
- At
- figyelem
- szerzők
- átlagos
- vissza
- BE
- mert
- óta
- kezdődött
- úgy gondolja,
- haszon
- Jobb
- között
- nagyobb
- Legnagyobb
- Bit
- könyv
- bozon
- Törött
- hozott
- de
- by
- hívott
- TUD
- elfog
- autó
- központú
- központosítás
- kihívások
- változik
- karakter
- karakter
- Chicago
- kínai
- körülmények
- CNN
- kolléga
- munkatársai
- gyűjtő
- Összeütközik
- jön
- Közös
- közösség
- verseny
- bonyolult
- Tartalmaz
- számítás
- számítási teljesítmény
- számítógép
- Computer Science
- számítástechnika
- megfogant
- lefolytatott
- Csatlakozás
- Csatlakozó
- állandóan
- tartalmaz
- tartalmazott
- tartalmaz
- tudott
- Pár
- Crash
- készítette
- teremt
- vágás
- Dakota
- sötét
- Sötét anyag
- dátum
- adatelemzés
- határozatok
- mély
- kijelölés
- tervezett
- részlet
- részletes
- részletek
- Határozzuk meg
- fejlesztése
- Fejlesztés
- digitális
- felfedezett
- do
- Ennek
- csinált
- le-
- Dűne
- alatt
- minden
- föld
- hatékonyság
- hatékony
- eredményesen
- munkavállaló
- lehetővé teszi
- végén
- energia
- elég
- Egész
- Környezet
- hiba
- Még
- esemény
- események
- EVER
- Minden
- vizsgálva
- példa
- létező
- bővülő
- várható
- kísérlet
- kísérletek
- szakértő
- magyarázható
- kivonat
- Arc
- tényező
- hamis
- GYORS
- gyorsabb
- Funkció
- Jellemzők
- vezetéknév
- repülő
- Összpontosít
- A
- Forefront
- Formálisan
- talált
- töredék
- ból ből
- front
- Tele
- további
- galaktika
- általános
- kap
- Ad
- adott
- cél
- Célok
- Goes
- diplomás
- Rács
- kellett
- Harvard
- Harvard Egyetem
- Legyen
- he
- hallott
- segít
- segített
- itt
- őt
- övé
- történelmi
- Találat
- bizakodó
- remélve
- Hogyan
- HTTPS
- Az emberek
- Vadászat
- ICE
- ötlet
- azonosítani
- azonosító
- if
- kép
- képek
- lenyűgözött
- in
- egyre inkább
- egyéni
- Egyénileg
- információ
- tájékoztató
- telepítve
- azonnali
- Intézet
- kölcsönhatások
- kamat
- érdekes
- bele
- részt
- IT
- éppen
- Tart
- Kulcs
- Kedves
- ismert
- labor
- laboratórium
- nagy
- legnagyobb
- lézer
- vezet
- vezető
- TANUL
- tanulás
- legkevésbé
- kevesebb
- élet
- fény
- mint
- Valószínű
- vonal
- vonalak
- Folyadék
- Hosszú
- hosszú idő
- néz
- nézett
- MEGJELENÉS
- gép
- gépi tanulás
- készült
- magazin
- csinál
- Gyártás
- sok
- térkép
- Térképek
- Tömeg
- Massachusetts
- Massachusetts Institute of Technology
- matematikai
- Anyag
- számít
- Lehet..
- jelent
- jelentőségteljes
- eszközök
- Közben
- Partnerek
- mód
- esetleg
- millió
- hiányzó
- MIT
- a legtöbb
- többnyire
- mozog
- áthelyezve
- mozgó
- sok
- Nevezett
- nemzeti
- Természetes
- Természet
- Szükség
- hálózat
- hálózatok
- neurális hálózat
- neurális hálózatok
- neutrino
- neutrínók
- következő
- Most
- tárgy
- csillagvizsgáló
- of
- hivatalos
- gyakran
- on
- egyszer
- ONE
- azok
- online
- csak
- or
- rendes
- eredeti
- eredetileg
- mi
- ki
- kívül
- felett
- saját
- oldal
- Papír
- papírmunka
- különös
- különösen
- alkatrészek
- tökéletes
- Teljesít
- tartósan
- fényképek
- Fizika
- darab
- darabok
- pixel
- forgalomba
- terv
- Plató
- Platón adatintelligencia
- PlatoData
- játszani
- pont
- porció
- lehetséges
- potenciálisan
- hatalom
- miniszterelnök
- szonda
- Probléma
- program
- biztató
- ingatlanait
- ingatlan
- protonok
- Arány
- Inkább
- real-time
- valós idejű adatok
- új
- elismerés
- elismerik
- rekord
- kifinomult
- maradványok
- válasz
- képviselet
- kötelező
- kutatás
- kutatók
- Tudástár
- REST
- eredményez
- Eredmények
- mutatják
- Emelkedik
- Szerep
- futás
- Mondott
- azt mondják
- letapogatás
- Tudomány
- Tudós
- tudósok
- Képernyő
- keres
- Második
- másodlagos
- Rész
- szakaszok
- lát
- self-vezetés
- értelemben
- érzékelők
- döbbent
- Lő
- kellene
- előadás
- jelentősen
- hasonló
- tettetés
- egyetlen
- Ég
- lassú
- kicsi
- So
- SOLVE
- valami
- dal
- nemsokára
- Források
- Dél
- Hely
- speciális
- sebesség
- négyzet
- standard
- Stanford
- Kezdve
- Lépés
- Még mindig
- diák
- sikeresen
- ilyen
- feltételezett
- meglepődött
- kapcsoló
- rendszer
- Tabletta
- Vesz
- Feladat
- feladatok
- csapat
- technikailag
- Technológia
- távcső
- mondd
- teszt
- mint
- hogy
- A
- az információ
- a világ
- azok
- Őket
- akkor
- Ott.
- Ezek
- ők
- dolgok
- Szerintem
- ezt
- bár?
- három
- háromdimenziós
- Keresztül
- idő
- alkalommal
- típus
- nak nek
- Tónus
- is
- szerszám
- szerszámok
- TELJESEN
- Tower
- Nyom
- kipróbált
- Fordult
- csípés
- kettő
- típusok
- tipikus
- végső
- Világegyetem
- egyetemi
- közelgő
- us
- használ
- használt
- segítségével
- érték
- Hatalmas
- mérhetetlenül
- jármű
- Voxel
- kívánatos
- volt
- Út..
- we
- webp
- JÓL
- voltak
- Mit
- amikor
- ami
- WHO
- egész
- szélesebb
- lesz
- val vel
- belül
- Nyerte
- Munka
- dolgozott
- Munkahely
- világ
- világ
- rosszabb
- lenne
- író
- év
- év
- te
- zephyrnet