Forøgelse af computerkraft for fremtidens partikelfysik

En ny maskinlæringsteknologi testet af et internationalt hold af forskere, herunder MIT Assistant Professor Philip Harris og postdoc Dylan Rankin, begge fra Laboratoriet for Nuklear Videnskab, kan spotte specifikke partikelsignaturer blandt et hav af Large Hadron Collider (LHC) data på et øjeblik.

Sofistikeret og hurtig, det nye system giver et indblik i den spilskiftende rolle, maskinlæring vil spille i fremtidige opdagelser inden for partikelfysik, efterhånden som datasæt bliver større og mere komplekse.

LHC skaber omkring 40 millioner kollisioner hvert sekund. Med så store mængder data at gennemskue, det kræver kraftige computere at identificere de kollisioner, der kan være af interesse for videnskabsmænd, om, måske, en antydning af mørkt stof eller en Higgs-partikel.

Nu, forskere ved Fermilab, CERN, MIT, University of Washington, og andre steder har testet et maskinlæringssystem, der fremskynder behandlingen med 30 til 175 gange sammenlignet med eksisterende metoder.

Sådanne metoder behandler i øjeblikket mindre end ét billede pr. sekund. I modsætning, det nye maskinlæringssystem kan gennemgå op til 600 billeder i sekundet. I løbet af sin uddannelsesperiode, systemet lærte at udvælge en bestemt type postkollisionspartikelmønster.

"De kollisionsmønstre, vi identificerer, top kvarker, er en af ​​de fundamentale partikler, vi undersøger ved Large Hadron Collider, " siger Harris, som er medlem af MIT Institut for Fysik. "Det er meget vigtigt, at vi analyserer så meget data som muligt. Hvert stykke data indeholder interessant information om, hvordan partikler interagerer."

Disse data vil strømme ind som aldrig før, efter de nuværende LHC-opgraderinger er færdige; inden 2026, 17-mile partikelacceleratoren forventes at producere 20 gange så meget data, som den gør i øjeblikket. For at gøre tingene endnu mere presserende, fremtidige billeder vil også blive taget i højere opløsninger, end de er nu. I alt, videnskabsmænd og ingeniører anslår, at LHC har brug for mere end 10 gange den computerkraft, den har i øjeblikket.

"Udfordringen med fremtidig løb, " siger Harris, "bliver stadig sværere, efterhånden som vores beregninger bliver mere nøjagtige, og vi undersøger stadig mere præcise effekter."

Forskere på projektet trænede deres nye system til at identificere billeder af topkvarker, den mest massive type elementarpartikel, omkring 180 gange tungere end en proton. "Med de maskinlæringsarkitekturer, der er tilgængelige for os, vi er i stand til at opnå resultater af høj videnskabelig kvalitet, sammenlignelig med de bedste top-quark identifikationsalgoritmer i verden, "Harris forklarer. "Implementering af kernealgoritmer ved høj hastighed giver os fleksibiliteten til at forbedre LHC computing i de kritiske øjeblikke, hvor det er mest nødvendigt."

Denne historie er genudgivet med tilladelse fra MIT News (web.mit.edu/newsoffice/), et populært websted, der dækker nyheder om MIT-forskning, innovation og undervisning.