Een nieuwe machine learning-technologie die is getest door een internationaal team van wetenschappers, waaronder MIT-assistent-professor Philip Harris en postdoc Dylan Rankin, beide van het Laboratorium voor Nucleaire Wetenschappen, kan in een oogwenk specifieke deeltjessignaturen herkennen in een oceaan van Large Hadron Collider (LHC) -gegevens.

Verfijnd en snel, het nieuwe systeem biedt een kijkje in de baanbrekende rol die machine learning zal spelen bij toekomstige ontdekkingen in de deeltjesfysica naarmate datasets groter en complexer worden.

De LHC veroorzaakt elke seconde zo'n 40 miljoen botsingen. Met zulke enorme hoeveelheden gegevens om door te spitten, er zijn krachtige computers nodig om die botsingen te identificeren die van belang kunnen zijn voor wetenschappers, of, misschien, een vleugje donkere materie of een Higgs-deeltje.

Nutsvoorzieningen, wetenschappers van Fermilab, CERN, MIT, de Universiteit van Washington, en elders hebben ze een machine-learningsysteem getest dat de verwerking 30 tot 175 keer versnelt in vergelijking met bestaande methoden.

Dergelijke methoden verwerken momenteel minder dan één afbeelding per seconde. In tegenstelling tot, het nieuwe machine-learningsysteem kan tot 600 beelden per seconde beoordelen. Tijdens zijn stageperiode het systeem leerde een specifiek type postcollision-deeltjespatroon te onderscheiden.

"De botsingspatronen die we identificeren, top-quarks, zijn een van de fundamentele deeltjes die we onderzoeken bij de Large Hadron Collider, " zegt Harrie, die lid is van het MIT Department of Physics. "Het is erg belangrijk dat we zoveel mogelijk gegevens analyseren. Elk stukje gegevens bevat interessante informatie over hoe deeltjes op elkaar inwerken."

Die gegevens zullen als nooit tevoren binnenstromen nadat de huidige LHC-upgrades zijn voltooid; tegen 2026, de 17-mijls deeltjesversneller zal naar verwachting 20 keer zoveel data produceren als nu. Om de zaak nog dringender te maken, toekomstige beelden zullen ook met hogere resoluties worden genomen dan nu het geval is. In alles, wetenschappers en ingenieurs schatten dat de LHC meer dan 10 keer de rekenkracht nodig heeft die hij momenteel heeft.

"De uitdaging van toekomstig hardlopen, " zegt Harrie, "wordt steeds moeilijker naarmate onze berekeningen nauwkeuriger worden en we steeds nauwkeuriger effecten onderzoeken."

Onderzoekers van het project hebben hun nieuwe systeem getraind om afbeeldingen van top-quarks te identificeren, het meest massieve type elementair deeltje, zo'n 180 keer zwaarder dan een proton. "Met de machine learning-architecturen die voor ons beschikbaar zijn, we in staat zijn om hoogwaardige resultaten van wetenschappelijke kwaliteit te krijgen, vergelijkbaar met de beste top-quark-identificatie-algoritmen ter wereld, Harris legt uit. "De implementatie van kernalgoritmen op hoge snelheid geeft ons de flexibiliteit om LHC-computing te verbeteren op de kritieke momenten waar dat het meest nodig is."

Dit verhaal is opnieuw gepubliceerd met dank aan MIT News (web.mit.edu/newsoffice/), een populaire site met nieuws over MIT-onderzoek, innovatie en onderwijs.