Met ongeveer een miljard proton-protonbotsingen per seconde bij de Large Hadron Collider (LHC), de LHC-experimenten moeten snel door de schat aan gegevens bladeren om te kiezen welke botsingen moeten worden geanalyseerd. Om in de toekomst een nog hoger aantal botsingen per seconde op te vangen, wetenschappers onderzoeken computermethoden zoals machine learning-technieken. Een nieuwe samenwerking bekijkt nu hoe deze technieken die worden ingezet op chips die bekend staan ​​als field-programmable gate arrays (FPGA's), kunnen worden toegepast op autonoom rijden, zodat de snelle besluitvorming bij deeltjesbotsingen aanrijdingen op de weg kan helpen voorkomen.

FPGA's worden bij CERN al vele jaren en voor veel toepassingen gebruikt. In tegenstelling tot de centrale verwerkingseenheid van een laptop, deze chips volgen eenvoudige instructies en verwerken veel parallelle taken tegelijk. Met maximaal 100 snelle seriële links, ze kunnen in- en uitgangen met hoge bandbreedte ondersteunen. Hun parallelle verwerking en herprogrammeerbaarheid maken ze geschikt voor machine learning-toepassingen.

De uitdaging, echter, is geweest om complexe deep-learning-algoritmen - een bepaalde klasse van machine-learning-algoritmen - in chips met beperkte capaciteit in te passen. Hiervoor was software nodig die is ontwikkeld voor de op CERN gebaseerde experimenten, genaamd "hls4ml, " die de algoritmen reduceert en FPGA-ready code produceert zonder verlies van nauwkeurigheid of prestatie, waardoor de chips besluitvormingsalgoritmen in microseconden kunnen uitvoeren.

Een nieuwe samenwerking tussen CERN en Zenuity, het softwarebedrijf voor autonoom rijden met het hoofdkantoor in Zweden, is van plan om de technieken en software die zijn ontwikkeld voor de experimenten bij CERN te gebruiken om het gebruik ervan bij de implementatie van deep learning op FPGA's te onderzoeken, een bepaalde klasse van machine learning-algoritmen, voor autonoom rijden. In plaats van gegevens uit deeltjesfysica, de FPGA's zullen worden gebruikt om enorme hoeveelheden gegevens te interpreteren die worden gegenereerd door normale rijomstandigheden, met behulp van uitlezingen van autosensoren om voetgangers en voertuigen te identificeren. De technologie moet automatisch rijdende auto's in staat stellen om snellere en betere beslissingen en voorspellingen te maken, waardoor verkeersongevallen worden voorkomen.