Graham hat versucht, den CNN-Ansatz so zu optimieren, dass der Kernel nur auf 3×3-Abschnitten des Bildes platziert wird, die mindestens ein Pixel enthalten, das einen Wert ungleich Null hat (und nicht nur leer ist). Auf diese Weise gelang es ihm, ein System zu entwickeln, das handgeschriebenes Chinesisch effizient identifizieren konnte. Es gewann 2013 einen Wettbewerb, indem es einzelne Zeichen mit einer Fehlerquote von nur 2,61 Prozent identifizierte. (Menschen erreichten im Durchschnitt 4,81 Prozent.) Als nächstes wandte er seine Aufmerksamkeit einem noch größeren Problem zu: der dreidimensionalen Objekterkennung.
Bis 2017 war Graham zu Facebook AI Research gewechselt und hatte seine Technik weiter verfeinert veröffentlicht Die Einzelheiten für das erste SCNN, das den Kernel nur auf Pixel zentrierte, die einen Wert ungleich Null hatten (anstatt den Kernel auf einen beliebigen 3×3-Abschnitt zu platzieren, der mindestens ein „Nicht-Null“-Pixel hatte). Es war diese allgemeine Idee, die Terao in die Welt der Teilchenphysik einbrachte.
Unterirdische Aufnahmen
Terao ist an Experimenten am Fermi National Accelerator Laboratory beteiligt, die die Natur von Neutrinos erforschen, die zu den schwer fassbaren bekannten Elementarteilchen gehören. Sie sind auch die massereichsten Teilchen im Universum (wenn auch nicht sehr groß), tauchen aber selten in einem Detektor auf. Daher sind die meisten Daten für Neutrino-Experimente spärlich und Terao war ständig auf der Suche nach besseren Ansätzen für die Datenanalyse. Er hat einen in SCNNs gefunden.
Im Jahr 2019 wandte er SCNNs auf Simulationen der Daten an, die vom Deep Underground Neutrino Experiment (DUNE) erwartet werden, das das weltweit größte Experiment zur Neutrinophysik sein wird, wenn es 2026 online geht. Das Projekt wird Neutrinos vom Fermilab, etwas außerhalb von Chicago, schießen. durch 800 Meilen der Erde zu einem unterirdischen Labor in South Dakota. Unterwegs „oszillieren“ die Teilchen zwischen den drei bekannten Neutrinotypen, und diese Oszillationen können detaillierte Neutrinoeigenschaften offenbaren.
Die SCNNs analysierten die simulierten Daten schneller als herkömmliche Methoden und benötigten dabei deutlich weniger Rechenleistung. Die vielversprechenden Ergebnisse bedeuten, dass SCNNs wahrscheinlich während des eigentlichen Versuchslaufs verwendet werden.
Im Jahr 2021 half Terao unterdessen dabei, SCNNs zu einem weiteren Neutrino-Experiment am Fermilab namens MicroBooNE hinzuzufügen. Hier untersuchen Wissenschaftler die Folgen von Kollisionen zwischen Neutrinos und den Kernen von Argonatomen. Durch die Untersuchung der durch diese Wechselwirkungen erzeugten Spuren können Forscher auf Details über die ursprünglichen Neutrinos schließen. Dazu benötigen sie einen Algorithmus, der die Pixel (oder technisch gesehen ihre dreidimensionalen Gegenstücke, Voxel genannt) in einer dreidimensionalen Darstellung des Detektors betrachten und dann bestimmen kann, welche Pixel welchen Teilchenbahnen zugeordnet sind.
Da die Daten so spärlich sind – ein paar winzige Linien innerhalb eines großen Detektors (ungefähr 170 Tonnen flüssiges Argon) – sind SCNNs für diese Aufgabe nahezu perfekt. Bei einem Standard-CNN müsste das Bild wegen des ganzen Rechenaufwands in 50 Teile zerlegt werden, sagte Terao. „Mit einem spärlichen CNN analysieren wir das gesamte Bild auf einmal – und das viel schneller.“
Rechtzeitige Auslöser
Einer der Forscher, die an MicroBooNE gearbeitet haben, war ein Bachelor-Praktikant namens Felix Yu. Beeindruckt von der Leistungsfähigkeit und Effizienz von SCNNs brachte er die Werkzeuge zu seinem nächsten Arbeitsplatz als Doktorand in einem Harvard-Forschungslabor mit, das offiziell dem IceCube-Neutrino-Observatorium am Südpol angegliedert war.
Eines der Hauptziele des Observatoriums besteht darin, die energiereichsten Neutrinos des Universums einzufangen und sie zu ihren Quellen zurückzuverfolgen, von denen die meisten außerhalb unserer Galaxie liegen. Der Detektor besteht aus 5.160 im antarktischen Eis vergrabenen optischen Sensoren, von denen jeweils nur ein winziger Bruchteil aufleuchtet. Der Rest des Arrays bleibt dunkel und ist nicht besonders informativ. Schlimmer noch, viele der „Ereignisse“, die die Detektoren aufzeichnen, sind falsch positive Ergebnisse und für die Neutrinojagd nicht nützlich. Für die weitere Analyse kommen nur so genannte Trigger-Level-Ereignisse in Frage, und es müssen sofort Entscheidungen darüber getroffen werden, welche dieser Ereignisse würdig sind und welche dauerhaft ignoriert werden.