In der anspruchsvollen Welt der Experimentalphysik hilft die Technologie des maschinellen Lernens (ML) den Forschern bei der Analyse riesiger, aber spärlicher Datensätze.
Stellen Sie sich die Aufgabe vor, Informationen aus einem Buch mit tausend Seiten zu extrahieren, von denen jede nur eine Zeile Text enthält. Das Einscannen eines solchen Buches mit einem Scanner, der methodisch jede Seite Zentimeter für Zentimeter liest, wäre ungeheuer mühsam, wobei der meiste Aufwand mit dem Scannen von Leerraum verschwendet würde.
Ähnliches gilt für Experimentalphysiker, insbesondere in der Teilchenphysik. Hier zeichnen die Detektoren eine überwältigende Menge an Daten auf und analysieren sie, obwohl nur ein winziger Prozentsatz davon nützlich ist.
Kazuhiro Terao, Physiker am SLAC National Accelerator Laboratory, beschreibt es so: "Auf einem Foto, beispielsweise von einem Vogel, der in den Himmel fliegt, kann jedes Pixel von Bedeutung sein", aber bei den Bildern, die Physiker oft untersuchen, ist nur ein kleiner Teil wirklich wichtig. Diese arbeitsintensive Übung vergeudet sowohl Zeit als auch Rechenressourcen.
ML bietet eine Lösung in Form von Sparse Convolutional Neural Networks (SCNN).
SCNNs ermöglichen es Forschern, sich auf die wichtigen Teile ihrer Daten zu konzentrieren und den Rest herauszufiltern und beschleunigen so die Datenanalyse in Echtzeit.
Im Jahr 2012 versuchte Benjamin Graham, damals an der University of Warwick, ein neuronales Netz zur Erkennung chinesischer Handschrift zu entwickeln. Er passte neuronale Faltungsnetzwerke (CNN), eine Referenzform neuronaler Netzwerke, so an, dass sie sich besser für Daten eignen, die als "spärlich" gelten, wie etwa ein Bild eines chinesischen Schriftzeichens.
Graham bietet eine weitere Analogie für spärliche Daten an: Stellen Sie sich vor, der Eiffelturm wäre in einem kleinstmöglichen Rechteck eingeschlossen, das "zu 99,98 Prozent aus Luft und nur zu 0,02 Prozent aus Eisen" bestünde.
Wenn Sie sich nur mit dem Metall befassen, analysieren Sie eine große Menge an nutzlosem Raum.
Das Aufkommen der SCNNs
Nachdem er erfolgreich ein System entwickelt hatte, das handgeschriebenes Chinesisch effizient erkennen konnte, wandte sich Graham einer größeren Herausforderung zu: der Erkennung von 3D-Objekten.
Er verfeinerte seine Technik und veröffentlichte die Details der ersten SCNN im Jahr 2017 während seiner Zeit bei Facebook AI Research.
Terao hat dies eingeführt Konzept zur Teilchenphysik am Fermi National Accelerator Laboratory, das Neutrinos (die schwer fassbaren und am häufigsten vorkommenden Teilchen mit Masse im Universum) untersucht.
Terao erkannte, dass SCNNs die Datenanalyse für das Deep Underground Neutrino Experiment (DUNE) optimieren könnten, wo er feststellte, dass die SCNNs die Daten schneller und effizienter verarbeiteten als traditionelle Methoden.
Der Physiker Philip Harris vom Massachusetts Institute of Technology plant, SCNNs nicht nur in der Neutrinoforschung, sondern auch im Large Hadron Collider (LHC) am CERN einzusetzen.
Harris hofft, dass SCNNs die Datenanalyse am LHC mindestens um den Faktor 50 beschleunigen und so zur Entdeckung von Teilchen von besonderem Interesse beitragen können.
