حاول Graham تعديل نهج CNN بحيث يتم وضع النواة فقط على أقسام 3 × 3 من الصورة التي تحتوي على بكسل واحد على الأقل له قيمة غير صفرية (وليست فارغة فقط). بهذه الطريقة ، نجح في إنتاج نظام يمكنه التعرف بكفاءة على اللغة الصينية المكتوبة بخط اليد. فازت في مسابقة عام 2013 من خلال تحديد الشخصيات الفردية بمعدل خطأ 2.61 بالمائة فقط. (سجل البشر 4.81 في المائة في المتوسط). ثم حول انتباهه بعد ذلك إلى مشكلة أكبر: التعرف على الأشياء ثلاثية الأبعاد.
بحلول عام 2017 ، انتقل Graham إلى Facebook AI Research وقام بتنقيح أسلوبه بشكل أكبر ونشر تفاصيل أول SCNN ، والتي ركزت النواة فقط على وحدات البكسل التي لها قيمة غير صفرية (بدلاً من وضع النواة على أي 3 × 3 المقطع الذي يحتوي على بكسل واحد “غير صفري” على الأقل). كانت هذه الفكرة العامة التي جلبها تيراو إلى عالم فيزياء الجسيمات.
طلقات تحت الأرض
يشارك Terao في تجارب في مختبر Fermi National Accelerator Laboratory الذي يبحث في طبيعة النيوترينوات ، من بين أكثر الجسيمات الأولية المعروفة مراوغة. إنها أيضًا أكثر الجسيمات وفرة في الكون من حيث الكتلة (وإن لم يكن كثيرًا) ، لكنها نادرًا ما تظهر داخل الكاشف. ونتيجة لذلك ، فإن معظم البيانات الخاصة بتجارب النيوترينو متناثرة ، وكان تيراو يبحث باستمرار عن طرق أفضل لتحليل البيانات. وجد واحدة في SCNNs.
في عام 2019 ، قام بتطبيق SCNNs على عمليات محاكاة البيانات المتوقعة من Deep Underground Neutrino Experiment ، أو DUNE ، والتي ستكون أكبر تجربة فيزياء النيوترينو في العالم عندما يتم تشغيلها على الإنترنت في عام 2026. سيطلق المشروع النيوترينوات من Fermilab ، خارج شيكاغو مباشرةً ، عبر 800 ميل من الأرض إلى مختبر تحت الأرض في ساوث داكوتا. على طول الطريق ، سوف “تتأرجح” الجسيمات بين الأنواع الثلاثة المعروفة من النيوترينوات ، وقد تكشف هذه التذبذبات عن خصائص نيوترينو مفصلة.
حللت شبكات SCNN البيانات المحاكاة بشكل أسرع من الطرق العادية ، وتطلبت قدرة حسابية أقل بكثير في القيام بذلك. تعني النتائج الواعدة أنه من المحتمل استخدام شبكات SCNN أثناء التشغيل التجريبي الفعلي.
وفي الوقت نفسه ، في عام 2021 ، ساعد Terao في إضافة SCNNs إلى تجربة نيوترينو أخرى في Fermilab تُعرف باسم MicroBooNE. هنا ، ينظر العلماء إلى آثار الاصطدامات بين النيوترينوات ونواة ذرات الأرجون. من خلال فحص المسارات التي أنشأتها هذه التفاعلات ، يمكن للباحثين استنتاج تفاصيل حول النيوترينوات الأصلية. للقيام بذلك ، يحتاجون إلى خوارزمية يمكنها النظر إلى البيكسلات (أو تقنيًا ، نظائرها ثلاثية الأبعاد تسمى voxels) في تمثيل ثلاثي الأبعاد للكاشف ثم تحديد البكسلات المرتبطة بمسارات الجسيمات.
نظرًا لأن البيانات متناثرة جدًا – تناثر خطوط صغيرة داخل كاشف كبير (حوالي 170 طنًا من الأرجون السائل) – تعد شبكات SCNNs مثالية تقريبًا لهذه المهمة. وقال تيراو إنه باستخدام شبكة CNN القياسية ، يجب تقسيم الصورة إلى 50 قطعة ، بسبب كل العمليات الحسابية التي يتعين القيام بها. “باستخدام شبكة CNN قليلة العدد ، نقوم بتحليل الصورة بأكملها مرة واحدة – ونفعل ذلك بشكل أسرع.”
مشغلات في الوقت المناسب
أحد الباحثين الذين عملوا في MicroBooNE كان متدربًا جامعيًا اسمه فيليكس يو. نظرًا لإعجابه بقوة وكفاءة شبكات SCNN ، أحضر الأدوات معه إلى مكان عمله التالي كطالب دراسات عليا في مختبر أبحاث بجامعة هارفارد مرتبط رسميًا بمرصد IceCube Neutrino في القطب الجنوبي.
أحد الأهداف الرئيسية للمرصد هو اعتراض النيوترينوات الأكثر نشاطًا في الكون وتعقبها إلى مصادرها ، والتي يقع معظمها خارج مجرتنا. يتكون الكاشف من 5160 مستشعرًا ضوئيًا مدفونًا في جليد أنتاركتيكا ، ولا يضيء سوى جزء ضئيل منها في أي وقت. تبقى بقية المصفوفة مظلمة وليست مفيدة بشكل خاص. والأسوأ من ذلك ، أن العديد من “الأحداث” التي تسجلها أجهزة الكشف هي نتائج إيجابية خاطئة وليست مفيدة في البحث عن النيوترينو. فقط ما يسمى بالأحداث على مستوى الزناد هي التي تقوم بإجراء مزيد من التحليل ، ويجب اتخاذ قرارات فورية بشأن أي منها يستحق هذا التعيين وأيها سيتم تجاهله بشكل دائم.
