现场可编程门阵列上的超压缩深度神经网络。功劳:夏莫斯机器学习无处不在。例如，它是Spotify如何给你建议接下来听什么，或者Siri如何回答你的问题。它也被用于粒子物理，从理论计算到数据分析。现在，一个包括欧洲粒子物理研究所和谷歌的研究人员在内的团队提出了一种新的方法来加速深层神经网络——一种机器学习算法——在大型强子对撞机(LHC)上选择质子-质子碰撞进行进一步分析。这项技术，在刚刚发表在《自然机器智能》上的一篇论文中有所描述，也可以用于粒子物理之外的领域。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进行进一步分析。以目前LHC质子-质子碰撞的速度，每秒钟高达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，这仅仅是一微秒。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，可以使这一选择更快。
进入欧洲核子研究中心研究人员和同事的新研究，该研究建立在以前的工作基础上，以前的工作引入了一种软件工具，在一种称为现场可编程门阵列(FPGAs)的硬件上部署深度神经网络，该硬件可以被编程来执行不同的任务，包括选择感兴趣的粒子碰撞。欧洲核子研究中心的研究人员和他们的同事开发了一种技术，可以将深层网络的规模缩小50倍，网络处理时间达到几十纳秒——远低于选择是保存还是丢弃冲突的可用时间。
“这项技术归结为通过降低描述深层神经网络的参数的数值精度来压缩深层神经网络，”该研究的合著者、欧洲核子研究中心研究员弗拉基米尔·隆卡尔(Vladimir Loncar)表示。“这是在网络的培训或学习期间完成的，允许网络适应变化。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，该技术可以在给定特定硬件约束(例如可用硬件资源的数量)的情况下，找到哪种数值精度最适合使用。
如果这还不够的话，这项技术的优势在于它很容易被非专家使用，并且它可以在粒子探测器和其他需要快速处理时间和小尺寸网络的设备中使用。
展望未来，研究人员希望利用他们的技术设计一种新的触发系统来发现碰撞，这种碰撞通常会被传统的触发系统丢弃，但可能会隐藏新的现象。“最终目标是能够捕捉到可能指向粒子物理标准模型之外的新物理的碰撞，”该研究的另一位合著者、欧洲核子研究中心(CERN)研究员西娅·阿勒斯塔德(Thea Aarrestad)表示。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
