En ny maskininlärningsteknik testad av ett internationellt team av forskare, inklusive MIT -biträdande professor Philip Harris och postdoc Dylan Rankin, båda laboratorierna för kärnvetenskap, kan upptäcka specifika partikelsignaturer bland ett hav av Large Hadron Collider (LHC) -data på ett ögonblick.

Sofistikerat och snabbt, det nya systemet ger en inblick i den spelförändrande roll som maskininlärning kommer att spela i framtida upptäckter inom partikelfysik när datauppsättningar blir större och mer komplexa.

LHC skapar cirka 40 miljoner kollisioner varje sekund. Med så stora mängder data att sikta igenom, det krävs kraftfulla datorer för att identifiera de kollisioner som kan vara av intresse för forskare, huruvida, kanske, en antydan till mörk materia eller en Higgs -partikel.

Nu, forskare på Fermilab, CERN, MIT, University of Washington, och på andra håll har testat ett maskininlärningssystem som påskyndar bearbetningen med 30 till 175 gånger jämfört med befintliga metoder.

Sådana metoder bearbetar för närvarande mindre än en bild per sekund. I kontrast, det nya maskininlärningssystemet kan granska upp till 600 bilder per sekund. Under sin utbildningstid, systemet lärde sig att välja en specifik typ av partikelmönster efter kollision.

"Kollisionsmönstren vi identifierar, toppkvarker, är en av de grundläggande partiklarna vi undersöker vid Large Hadron Collider, säger Harris, som är medlem i MIT -avdelningen för fysik. "Det är mycket viktigt att vi analyserar så mycket data som möjligt. Varje data innehåller intressant information om hur partiklar interagerar."

Dessa data kommer att strömma in som aldrig förr när de nuvarande LHC -uppgraderingarna är klara; år 2026, partikelacceleratorn på 17 mil förväntas producera 20 gånger så mycket data som den gör för närvarande. För att göra saken ännu mer pressande, framtida bilder kommer också att tas med högre upplösningar än de är nu. I alla, forskare och ingenjörer uppskattar att LHC kommer att behöva mer än tio gånger den datorkraft som den för närvarande har.

"Utmaningen med framtida löpning, säger Harris, "blir allt svårare när våra beräkningar blir mer exakta och vi undersöker allt mer exakta effekter."

Forskare på projektet utbildade sitt nya system för att identifiera bilder av toppkvarkar, den mest massiva typen av elementär partikel, cirka 180 gånger tyngre än en proton. "Med maskininlärningsarkitekturerna tillgängliga för oss, vi kan få högkvalitativa vetenskapliga resultat, jämförbar med de bästa algoritmerna för topp-kvarkidentifiering i världen, "Harris förklarar." Genom att implementera kärnalgoritmer med hög hastighet får vi flexibiliteten att förbättra LHC -datorer i de kritiska ögonblick där det är mest nödvändigt. "

Denna artikel publiceras på nytt med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT -forskning, innovation och undervisning.