A CERN gépi tanulási technológiája felgyorsíthatja az önvezető autók döntéshozatali folyamatát
A CERN és a Zenseact szoftvercég közös kutatási projektet hajt végre, amely lehetővé teheti az önvezető autók számára, hogy gyorsabban hozzanak döntéseket, így elkerüljék a baleseteket.
A jövőben az önvezető autók várhatóan jelentősen csökkentik a közúti balesetek halálos áldozatainak számát. Ezen a forradalmi úton haladva a CERN és a Zenseact autóbiztonsági szoftvergyártó cég nemrég fejezett be egy hároméves projektet, amely olyan gépi tanulási modelleket kutat, amelyek lehetővé teszik az önvezető autók számára, hogy gyorsabban hozzanak jobb döntéseket, és így elkerüljék az ütközéseket.
Ha az ütközésekből származó adatok rögzítéséről van szó, a CERN-nek gyors és hatékony döntéshozatalra van szüksége, miközben elemzi a Large Hadron Collider (LHC) detektorok által okozott több millió részecskeütközést. Egyedülálló adatelemzési képességei hozták össze a CERN-t és a Zenseactet, hogy megvizsgálják, hogyan alkalmazhatók a nagy energiájú fizikai szervezet gépi tanulási technikái az autonóm vezetés területén. A „számítógépes látás”-ra összpontosítva, amely segíti az autót elemezni és reagálni külső környezetére, ennek az együttműködésnek az volt a célja, hogy a mély tanulási technikákat gyorsabbá és pontosabbá tegye.
„A mély tanulás erőteljesen átalakította a számítógépes látást az elmúlt évtizedben, és a képfelismerő alkalmazások pontossága ma soha nem látott szinten van. A CERN-nel végzett kutatásunk eredményei azonban azt mutatják, hogy van még hova fejlődni az autonóm járművek terén” – mondja Christoffer Petersson, a Zenseact kutatási vezetője.
A számítógépes látási feladatok feldolgozásához a „felhasználás helyén programozható logikai kapumátrix” (FPGA) néven ismert chipeket választották.
Az FPGA-k, amelyeket a CERN-ben évek óta használnak, konfigurálható integrált áramkörök, amelyek mikromásodpercek alatt képesek bonyolult döntéshozatali algoritmusokat végrehajtani. A kutatók azt találták, hogy a meglévő erőforrások optimalizálásával lényegesen több funkcionalitást lehetne az FPGA-ba csomagolni. A legjobb az egészben az, hogy a feladatok nagy pontossággal és rövid késleltetéssel hajthatók végre, még korlátozott számítási erőforrásokkal rendelkező feldolgozóegységen is.
„Közös munkánk során feltártuk az FPGA-k tömörítési technikáit, amelyek szintén jelentős hatással lehetnek az LHC adatközpontok feldolgozási hatékonyságának növelésére. Mivel a gépi tanulási platformok megteremtik a terepet a következő generációs megoldások számára, e kutatási terület jövőbeli fejlesztése jelentős mértékben hozzájárulhat a nagyenergiájú fizikán túl számos más területhez is” – mondja Maurizio Pierini, a CERN fizikusa.
Ugyanezek a technikák az algoritmus hatékonyságának javítására is használhatók a pontosság megőrzése mellett számos területen, az adatközpontok energiahatékonyságának növelésétől az orvosi alkalmazásokhoz szükséges sejtszűrésig.
Forrás: Cern
