Dans le domaine exigeant de la physique expérimentale, la technologie de l'apprentissage automatique aide les chercheurs à analyser des ensembles de données colossaux mais peu nombreux.
Imaginez qu'il faille extraire des informations d'un livre d'un millier de pages, chacune ne contenant qu'une seule ligne de texte. La numérisation d'un tel livre à l'aide d'un scanner qui lit méthodiquement chaque page centimètre par centimètre serait extrêmement laborieuse, la majeure partie de l'effort étant gaspillée à numériser des espaces vides.
Il en va de même pour les physiciens expérimentaux, notamment en physique des particules. Dans ce domaine, les détecteurs enregistrent et analysent une quantité impressionnante de données, bien qu'un pourcentage infime seulement soit utile.
Comme le décrit Kazuhiro Terao, physicien au SLAC National Accelerator Laboratory, "dans une photographie, disons, d'un oiseau volant dans le ciel, chaque pixel peut être significatif", mais dans les images que les physiciens examinent souvent à la loupe, seule une petite partie est vraiment importante. Cet exercice laborieux gaspille à la fois du temps et des ressources informatiques.
La ML offre une solution sous la forme de réseaux neuronaux convolutionnels épars (SCNN).
En permettant aux chercheurs de se concentrer sur les parties importantes de leurs données et de filtrer le reste, les SCNN accélèrent l'analyse des données en temps réel.
En 2012, Benjamin Graham, alors à l'université de Warwick, a cherché à créer un réseau neuronal pour reconnaître l'écriture chinoise. Il a adapté les réseaux neuronaux convolutifs (CNN), une forme de référence de réseau neuronal, pour les rendre plus adaptés aux données considérées comme "éparses", comme l'image d'un caractère chinois.
Graham propose une autre analogie pour les données éparses : si la Tour Eiffel était enfermée dans le plus petit rectangle possible, ce rectangle serait composé de "99,98 % d'air et de seulement 0,02 % de fer".
Si vous ne vous intéressez qu'au métal, vous analysez une énorme quantité d'espace inutile.
L'avènement des SCNN
Après avoir réussi à créer un système capable de reconnaître efficacement le chinois écrit à la main, M. Graham s'est attaqué à un défi plus important : la reconnaissance d'objets en 3D.
Il a affiné sa technique et publié les détails de la première Le SCNN en 2017 alors qu'il travaillait à Facebook AI Research.
Terao a introduit ceci à la physique des particules au Laboratoire national de l'accélérateur Fermi, qui étudie les neutrinos (les particules de masse les plus insaisissables et les plus abondantes de l'univers).
M. Terao a reconnu que les SCNN pouvaient optimiser l'analyse des données dans le cadre de l'expérience DUNE (Deep Underground Neutrino Experiment), où il a constaté que les SCNN traitaient les données plus rapidement et plus efficacement que les méthodes traditionnelles.
Au-delà de la recherche sur les neutrinos, le physicien Philip Harris du Massachusetts Institute of Technology prévoit d'appliquer les SCNN au Grand collisionneur de hadrons (LHC) du CERN.
M. Harris espère que les SCNN pourront accélérer l'analyse des données au LHC d'un facteur d'au moins 50, contribuant ainsi à la découverte de particules d'un intérêt particulier.
