Con circa un miliardo di collisioni protone-protone al secondo al Large Hadron Collider (LHC), gli esperimenti di LHC devono vagliare rapidamente la ricchezza di dati per scegliere quali collisioni analizzare. Per far fronte a un numero ancora maggiore di collisioni al secondo in futuro, gli scienziati stanno studiando metodi di calcolo come le tecniche di apprendimento automatico. Una nuova collaborazione sta ora esaminando come queste tecniche implementate su chip noti come array di porte programmabili sul campo (FPGA) potrebbero applicarsi alla guida autonoma, in modo che il rapido processo decisionale utilizzato per le collisioni di particelle possa aiutare a prevenire le collisioni sulla strada.

Gli FPGA sono stati utilizzati al CERN per molti anni e per molte applicazioni. A differenza dell'unità di elaborazione centrale di un laptop, questi chip seguono semplici istruzioni ed elaborano molte attività parallele contemporaneamente. Con un massimo di 100 collegamenti seriali ad alta velocità, sono in grado di supportare ingressi e uscite a larghezza di banda elevata. La loro elaborazione parallela e riprogrammabilità li rende adatti per applicazioni di machine learning.

La sfida, però, è stato quello di adattare complessi algoritmi di apprendimento profondo, una particolare classe di algoritmi di apprendimento automatico, in chip di capacità limitata. Questo software richiesto sviluppato per gli esperimenti basati sul CERN, chiamato "hls4ml, " che riduce gli algoritmi e produce codice pronto per FPGA senza perdita di precisione o prestazioni, consentendo ai chip di eseguire algoritmi decisionali in microsecondi.

Una nuova collaborazione tra CERN e Zenuity, la società di software di guida autonoma con sede in Svezia, prevede di utilizzare le tecniche e il software sviluppati per gli esperimenti al CERN per ricercare il loro utilizzo nella distribuzione di deep learning su FPGA, una particolare classe di algoritmi di apprendimento automatico, per la guida autonoma. Invece di dati sulla fisica delle particelle, gli FPGA saranno utilizzati per interpretare enormi quantità di dati generati dalle normali condizioni di guida, utilizzando le letture dei sensori dell'auto per identificare pedoni e veicoli. La tecnologia dovrebbe consentire alle auto a guida automatizzata di prendere decisioni e previsioni migliori e più rapide, evitando così le collisioni del traffico.