Новый тип нейронной сети помогает физикам решать сложные задачи анализа данных

Но при помощи инструментов машинного обучения ситуация меняется. Новый тип разреженной конволюционной нейронной сети SCNN даст возможность исследователям отсеять все ненужные данные и сосредоточиться на значимой для них информации.

Ученые уже применили SCNN для существенного ускорения анализа данных в реальном времени. Они планируют использовать эту нейросеть в ходе предстоящих или уже начатых экспериментов на трех континентах как минимум. Это станет революционным изменением в научном мире физики.

Работа на пути к созданию SCNN была начата в 2012 году Бенджамином Грэмом, работавшим в то время в Университете Уорика. Он решил создать нейронную сеть, которая сможет распознавать китайский почерк.

Но, как выяснилось, изображения, содержащие китайские иероглифы, в основном пустые. Исследователи называют данные с таким качествами разреженными.

Грэм переосмыслил SCNN и в итоге создал систему, эффективно распознающую рукописный китайский текст. В 2013 году она победила в конкурсе, определив отдельные символы с ошибкой в 2,61%. Показатель человека составил около 4,81%.

К 2017 году Грэму удалось доработать свою методику и он создал первую SCNN, которая стала центрировать ядро только на пикселях с ненулевым значением.

В 2019 году SCNN применил Казухиро Терао, физик из Национальной ускорительной лаборатории SLAC. Он участвует в экспериментах, исследующих природу нейтрино - одной из самых неуловимых из известных элементарных частиц.

Терао использовал SCNN для моделирования данных, ожидаемых от Deep Underground Neutrino Experiment (DUNE), который станет самым крупным в мире нейтринным физическим экспериментом после его запуска в 2026 году.

SCNN проанализировала смоделированные данные намного быстрее обычных методов, затратив при этом гораздо меньших вычислительных мощностей.

Исследователи оценили SCNN количественно и выяснили, что подобные сети могут быть быстрее примерно в 20 раз, чем обычные CNN. Ученые заявили, что это достаточно быстрая скорость для того, чтобы обрабатывать каждое событие, которое поступает из детекторов. А это около 3 тысяч событий в секунду.

Узнав подробности о SCNN, физик Филип Харрис из Массачусетского технологического института, запланировал использование SCNN для помощи в работе самого большого коллайдера частиц - Большого адронного коллайдера (БАК) в CERN. Физик считает, что SCNN сможет ускорить анализ данных БАК минимум в 50 раз.

В целом, становится все более вероятным, что SCNN вскоре сыграет свою роль в крупнейших экспериментах по физике нейтрино, нейтринной астрономии и физике высоких энергий.