Исследователи из Фермилаба значительно улучшили нейронные сети, повысив потенциал искусственного интеллекта для революционных изменений в физике элементарных частиц
Исследователи из Yациональной ускорительной лаборатории имени Ферми Министерства энергетики США (Фермилаб) внесли свой вклад в разработку открытой платформы, позволяющей создавать аппаратное обеспечение, способное принимать решения за доли секунды. Эти достижения направлены на обработку огромных объемов данных, получаемых в ходе самых масштабных физических экспериментов человечества.
Картинка, сгенерированная ИИ
За мгновение ока может произойти многое. В лабораторных условиях среднестатистическому человеку требуется около одной пятой секунды, чтобы увидеть свет и нажать кнопку, и за тот же промежуток времени колибри может взмахнуть крыльями около десятка раз. В то же время, за ту же долю секунды специализированное компьютерное оборудование, анализирующее данные с ускорителей частиц, может использовать искусственный интеллект для принятия более 10 миллионов решений о том, следует ли сохранять или отбрасывать информацию, полученную в результате столкновений.
Алгоритмы нейронных сетей помогают нам более эффективно получать более глубокое понимание наших данных, что позволяет делать открытия гораздо быстрее, чем традиционные, простые методы».
В Фермилабе исследователи расширяют границы возможностей машин, возглавляя проект с открытым исходным кодом по внедрению нейронных сетей непосредственно в физическое оборудование в виде эффективных, специализированных цифровых схем. Ключевую роль в этом играет hls4ml, программная платформа, разработанная при участии исследователей Фермилаба. Hls4ml может использоваться для создания сверхбыстрого оборудования для принятия решений в самых разных областях, от физики элементарных частиц до термоядерной инженерии — и не только.
Нейронные сети — алгоритмы, вдохновленные тем, как человеческий мозг обрабатывает информацию, — обучаются, передавая данные через взаимосвязанные слои, корректируя связи для распознавания закономерностей и прогнозирования. Но одного обучения недостаточно; эти сети также должны быть эффективно развернуты, чтобы приносить реальную пользу.
После того как нейронная сеть смоделирована и обучена, исследователям необходим четкий путь для ее ускорения на аппаратном уровне. Именно здесь на помощь приходит hls4ml. Hls4ml берет код для нейронных сетей, который можно написать с помощью библиотек машинного обучения с открытым исходным кодом, таких как PyTorch и TensorFlow, и, по сути, превращает его в последовательность логических элементов.
Традиционно для выполнения алгоритмов машинного обучения использовались центральные процессоры и графические процессоры, которые можно найти в ноутбуках и настольных компьютерах. о мере того как эти методы становились все более распространенными, естественно возникал вопрос, существует ли более эффективный подход. Перенося нейронные сети на специализированное оборудование, такое как программируемые пользователем вентильные матрицы и специализированные интегральные схемы, исследователи могут выполнять множество вычислений одновременно и принимать решения быстрее, потребляя при этом меньше энергии. Хотя их программирование сложнее, они позволяют нам запускать сложные алгоритмы в реальном времени, где важны задержка и энергопотребление. Традиционно программирование этих устройств требует глубоких знаний. Однако с помощью hls4ml подготовка аппаратного обеспечения для принятия решений по срабатыванию триггеров детекторов частиц становится доступной для более широкого круга исследователей.
Многие передовые области науки сталкиваются с проблемами обработки больших данных и изучают природу Вселенной в очень короткие сроки, поэтому исследовательские сообщества, от термоядерной энергетики до нейронауки и материаловедения, очень заинтересованы в том, что мы делаем для создания новых возможностей с помощью искусственного интеллекта.