Новый тип нейронной сети помогает физикам решать сложные задачи анализа данных

В экспериментах физиков с частицами детекторы собирают и анализируют громадные массивы данных, но лишь малая часть из них содержит информацию, которая может стать полезной для исследований. При этом на изучение каждой детали тратится много времени и вычислительных ресурсов.

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.