Motivation
Dieses deutsch-französische Forschungsvorhaben verfolgt das Ziel, zuverlässige KI-Algorithmen zu entwickeln, die im Rahmen von Experimenten der Hochenergie- und Schwerionenphysik eingesetzt werden können, um große Datenmengen energieeffizient und in Echtzeit verarbeiten zu können. Diese Experimente sind bezogen auf die Anforderungen der Datenanalyse und -verarbeitung in vielerlei Hinsicht sehr anspruchsvoll. Zum einen sind die zugrundeliegenden physikalischen Modelle äußerst komplex, zum anderen entstehen im Rahmen solcher Experimente Messdaten von mehr als 10 Millionen Teilchenkollisionen pro Sekunde mit einem Datenvolumen von bis zu 500Tbit pro Sekunde. Die Auswertung dieser Datenmengen hat in der Vergangenheit mehrere Jahre in Anspruch genommen.
Ziele und Vorgehen
Im Rahmen des Forschungsprojekts werden daher neue leistungsfähige KI-Algorithmen entwickelt, die eine Echtzeitcharakterisierung von physikalischen Teilchen ermöglichen sollen und auf hybriden Rechenarchitekturen lauffähig sind. Hybride Rechenarchitekturen ermöglichen die Auslagerung und parallele Bearbeitung rechenintensiver Prozesse über eine Cloudarchitektur und die Verwendung moderner Prozessor-Architekturen und schaffen auf diese Weise die Grundlage dafür, dass die entwickelten Algorithmen den hohen Anforderungen an Rechen- und Energieeffizienz entsprechen können. Für das Training der zu entwickelnden Neuronalen Netze werden Trainingsdaten verwendet, die im Rahmen der Projektlaufzeit bei hochkomplexen Experimenten am CERN und Helmholtzzentrum für Schwerionenforschung (GSI) erhoben werden. Die auf diese Art trainierten Netze können nach Projektende in einer Vielzahl von Experimenten der Hochenergie- und Schwerionenphysik verwendet werden und somit einen wichtigen Beitrag zu zukünftigen Projekten der Grundlagenforschung leisten.
Innovationen und Perspektiven
Da das Volumen und die Komplexität der verwendeten Daten den Umfang der anspruchsvollsten industriellen Anwendungen übersteigen, ist zu erwarten, dass die entwickelten Algorithmen in anderen Anwendungsbereichen, in denen eine effiziente Mustererkennung mit KI in Echtzeit erforderlich ist, gewinnbringend eingesetzt werden können. Mögliche Anwendungsdomänen könnten u.a. autonomes Fahren, Smart Cities sowie Echtzeit-Erkennung von Anomalien in medizinischen Verfahren oder industriellen Prozessen sein.