ANN4EUROPE: ANNs für effiziente, robuste und interpretierbare Rekonstruktion in der Physik und darüber hinaus
Das Projekt
Unsere gemeinsame Forschung konzentriert sich auf zwei hochkomplexe Experimente: das LHCb-Experiment in der Hochenergiephysik und das CBM-Experiment in der Schwerionenphysik. Das LHCb-Experiment ist bereits in Betrieb, und das CBM-Experiment ist in Planung an den größten Beschleunigungsanlagen der Welt, LHC (CERN, Genf, Schweiz) und FAIR (GSI, Darmstadt, Deutschland). Diese Experimente sind die schwierigsten, nicht nur in Bezug auf die extreme Komplexität der Physik selbst, wenn es um die Erforschung der Asymmetrie zwischen Materie und Anti-Materie bei LHCb geht oder um die Untersuchung des superdichten Zustands der Materie, wie im Zentrum von Neutronen-Sternen, bei CBM.
Diese Experimente stellen auch zunehmende Herausforderungen an die schnelle Verarbeitung und Analyse der riesigen Mengen an experimentellen Messdaten bei mehr als 10 Millionen Kollisionen von ultrarelativistischen Teilchen-Strahlen pro Sekunde mit Datenmengen bis zu 500 Tbit pro Sekunde. Angesichts der zunehmenden Fragmentierung von Computerarchitekturen und deren Spezialisierung auf KI-Aufgaben erfordert die erfolgreiche Lösung schneller Datenverarbeitungsprobleme die Entwicklung neuer Algorithmen und Techniken auf Basis von KI-Methoden.
Wir werden tiefe neuronale Netze entwickeln, die eine kostengünstige und energieeffiziente Datenverarbeitung in einer Vielzahl von Experimenten der Hochenergie-und Schwerionenphysik ermöglichen. Gemeinsam werden unsere Teams in der Lage sein, KI zu nutzen, um die Leistung der hybriden Rechnerarchitekturen von morgen zu maximieren, die Rechen- und Energieeffizienz um Größenordnungen zu verbessern und die zukünftige Grundlagenforschung zu unterstützen. Da das Volumen und die Komplexität der Daten, mit denen wir in unseren Experimenten umgehen, die anspruchsvollsten industriellen Anwendungen übersteigen, können wir erwarten, dass sich der Erfolg dieses Projektes auf andere Bereiche ausbreitet, in denen Echtzeit-Mustererkennung mit KI erforderlich ist. Beispiele sind selbstfahrende Autos, intelligente Städte, Echtzeit-Erkennung von Anomalien in medizinischen Verfahren oder industriellen Prozessen und viele andere.
Projektleitung
Am FIAS
Externe Partner
Prof. Dr. Vladimir Vava Gligorov
Laboratoire de Physique Nucléaire et de Hautes Energies (LPNHE), Paris
