Avec environ un milliard de collisions proton-proton par seconde au Grand collisionneur de hadrons (LHC), les expériences LHC doivent passer rapidement au crible la richesse des données pour choisir les collisions à analyser. Pour faire face à un nombre encore plus élevé de collisions par seconde à l'avenir, les scientifiques étudient des méthodes informatiques telles que les techniques d'apprentissage automatique. Une nouvelle collaboration examine maintenant comment ces techniques déployées sur des puces appelées réseaux de portes programmables sur site (FPGA) pourraient s'appliquer à la conduite autonome, de sorte que la prise de décision rapide utilisée pour les collisions de particules pourrait aider à prévenir les collisions sur la route.

Les FPGA sont utilisés au CERN depuis de nombreuses années et pour de nombreuses applications. Contrairement à l'unité centrale d'un ordinateur portable, ces puces suivent des instructions simples et traitent de nombreuses tâches parallèles à la fois. Avec jusqu'à 100 liaisons série haut débit, ils sont capables de prendre en charge des entrées et des sorties à large bande passante. Leur traitement parallèle et leur reprogrammabilité les rendent adaptés aux applications d'apprentissage automatique.

Le défi, cependant, a été d'adapter des algorithmes d'apprentissage en profondeur complexes - une classe particulière d'algorithmes d'apprentissage automatique - dans des puces de capacité limitée. Cela nécessitait un logiciel développé pour les expériences au CERN, appelé "hls4ml, " qui réduit les algorithmes et produit du code FPGA-ready sans perte de précision ou de performance, permettant aux puces d'exécuter des algorithmes de prise de décision en quelques micro-secondes.

Une nouvelle collaboration entre le CERN et Zenuity, la société de logiciels de conduite autonome basée en Suède, prévoit d'utiliser les techniques et les logiciels développés pour les expériences au CERN pour rechercher leur utilisation dans le déploiement de l'apprentissage en profondeur sur les FPGA, une classe particulière d'algorithmes d'apprentissage automatique, pour la conduite autonome. Au lieu de données de physique des particules, les FPGA seront utilisés pour interpréter d'énormes quantités de données générées par des conditions de conduite normales, en utilisant les lectures des capteurs de voiture pour identifier les piétons et les véhicules. La technologie devrait permettre aux voitures à conduite automatisée de prendre des décisions et des prévisions plus rapides et meilleures, évitant ainsi les collisions routières.