Hvordan CERN maskinlæringsteknikker kunne forbedre autonome køretøjer

Med omkring en milliard proton-proton-kollisioner i sekundet ved Large Hadron Collider (LHC), LHC-eksperimenterne skal hurtigt gennemsøge mængden af ​​data for at vælge, hvilke kollisioner der skal analyseres. For at klare et endnu højere antal kollisioner pr. sekund i fremtiden, videnskabsmænd undersøger computermetoder såsom maskinlæringsteknikker. Et nyt samarbejde ser nu på, hvordan disse teknikker implementeret på chips kendt som field-programmable gate arrays (FPGA'er) kan anvendes til autonom kørsel, så den hurtige beslutningstagning, der bruges til partikelkollisioner, kunne være med til at forhindre kollisioner på vejen.

FPGA'er har været brugt på CERN i mange år og til mange applikationer. I modsætning til centralenheden på en bærbar computer, disse chips følger enkle instruktioner og behandler mange parallelle opgaver på én gang. Med op til 100 højhastigheds serielle links, de er i stand til at understøtte input og output med høj båndbredde. Deres parallelle bearbejdning og omprogrammerbarhed gør dem velegnede til maskinlæringsapplikationer.

Udfordringen, imidlertid, har været at indsætte komplekse deep-learning-algoritmer – en særlig klasse af maskinlæringsalgoritmer – i chips med begrænset kapacitet. Dette krævede software udviklet til de CERN-baserede eksperimenter, kaldet "hls4ml, " som reducerer algoritmerne og producerer FPGA-klar kode uden tab af nøjagtighed eller ydeevne, giver chipsene mulighed for at udføre beslutningsalgoritmer på mikrosekunder.

Et nyt samarbejde mellem CERN og Zenuity, det selvkørende softwarefirma med hovedkontor i Sverige, planlægger at bruge de teknikker og software, der er udviklet til eksperimenterne på CERN, til at forske i deres anvendelse til at implementere deep learning på FPGA'er, en bestemt klasse af maskinlæringsalgoritmer, til autonom kørsel. I stedet for partikelfysikdata, FPGA'erne vil blive brugt til at fortolke enorme mængder data genereret af normale kørselsforhold, ved hjælp af udlæsninger fra bilsensorer til at identificere fodgængere og køretøjer. Teknologien skal gøre det muligt for automatiseret kørende biler at træffe hurtigere og bedre beslutninger og forudsigelser, dermed undgå trafiksammenstød.