Исследователи из Национальной 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.

Таким образом 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. Она 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. По 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 делается для создания новых возможностей с помощью искусственного интеллекта.