In de veeleisende wereld van experimentele natuurkunde helpt machine learning (ML) technologie onderzoekers bij het analyseren van kolossale maar schaarse datasets.
Stel je voor dat je informatie moet halen uit een boek met duizend pagina's die elk slechts één regel tekst bevatten. Het scannen van zo'n boek met een scanner die elke pagina centimeter voor centimeter afleest zou enorm bewerkelijk zijn, waarbij de meeste moeite verloren zou gaan aan het scannen van lege ruimte.
Hetzelfde geldt voor experimentele natuurkundigen, met name op het gebied van deeltjesfysica. Hier registreren en analyseren detectoren een overweldigende hoeveelheid gegevens, hoewel slechts een klein percentage nuttig is.
Kazuhiro Terao, een natuurkundige aan het SLAC National Accelerator Laboratory, beschrijft het als volgt: "In een foto van bijvoorbeeld een vogel die door de lucht vliegt, kan elke pixel betekenisvol zijn," maar in de beelden die natuurkundigen vaak nauwkeurig bekijken, is slechts een klein deel echt belangrijk. Deze arbeidsintensieve oefening verspilt zowel tijd als rekenkracht.
ML biedt een oplossing in de vorm van sparse convolutionele neurale netwerken (SCNN).
Door onderzoekers in staat te stellen in te zoomen op de significante delen van hun gegevens en de rest weg te filteren, versnellen SCNN's real-time gegevensanalyse.
In 2012 wilde Benjamin Graham, destijds verbonden aan de Universiteit van Warwick, een neuraal netwerk maken om Chinese handschriften te herkennen. Hij paste convolutionele neurale netwerken (CNN's), een referentievorm van neurale netwerken, aan om ze geschikter te maken voor gegevens die als 'schaars' worden beschouwd, zoals een afbeelding van een Chinees karakter.
Graham biedt een andere analogie voor schaarse gegevens: stel dat de Eiffeltoren in de kleinst mogelijke rechthoek zou zijn ingekapseld, dan zou die rechthoek "99,98 procent lucht en slechts 0,02 procent ijzer" zijn.
Als je je alleen met het metaal bezighoudt, analyseer je een enorme hoeveelheid nutteloze ruimte.
De komst van SCNN's
Nadat Graham met succes een systeem had gemaakt dat efficiënt handgeschreven Chinees kon herkennen, ging hij verder met een grotere uitdaging: het herkennen van 3D-objecten.
Hij verfijnde zijn techniek en publiceerde de details van de eerste SCNN in 2017 toen hij bij Facebook AI Research werkte.
Terao introduceerde dit concept voor deeltjesfysica bij het Fermi National Accelerator Laboratory, dat onderzoek doet naar neutrino's (de meest ongrijpbare en overvloedige deeltjes met massa in het heelal).
Terao herkende dat SCNN's de gegevensanalyse voor het Deep Underground Neutrino Experiment (DUNE) konden optimaliseren, waar hij opmerkte dat de SCNN's de gegevens sneller en efficiënter verwerkten dan traditionele methoden.
Naast neutrino-onderzoek is natuurkundige Philip Harris van het Massachusetts Institute of Technology van plan om SCNN's toe te passen bij de Large Hadron Collider (LHC) bij CERN.
Harris hoopt dat SCNN's de gegevensanalyse bij de LHC met minstens een factor 50 kunnen versnellen en zo kunnen bijdragen aan de ontdekking van bijzonder interessante deeltjes.
