Man geht davon aus, dass autonome oder selbstfahrende Autos die Anzahl der tödlichen Unfälle im Straßenverkehr zukünftig beträchtlich reduzieren werden. Das CERN und die Fahrzeugsicherheitssoftwarefirma Zenseact haben gerade ein dreijähriges Projekt abgeschlossen, das Modelle des maschinellen Lernens untersuchte, um selbstfahrende Autos schneller bessere Entscheidungen treffen und dadurch Kollisionen verhindern zu lassen.
Was die Datensammlung von Kollisionen betrifft, erfordert das CERN ebenso eine schnelle und effiziente Entscheidungsfindung während der Analyse der Millionen Teilchenkollisionen in den Detektoren des Large Hadron Collider (LHC). Es waren die einzigartigen Fähigkeiten bei der Datenanalyse, die das CERN und Zenseact zusammenbrachten, um die Art und Weise zu erforschen, wie die Techniken des maschinellen Lernens, die von der Hochenergiephysik-Organisation eingesetzt werden, auf das Gebiet des autonomen Fahrens angewandt werden könnten. Das Ziel dieser Zusammenarbeit bestand darin, Deep-Learning-Methoden schneller und präziser zu machen und konzentrierte sich auf das “Computersehen”, das dem Auto hilft, seine externe Umgebung zu analysieren und darauf zu reagieren.
“Deep Learning hat das Computersehen in der letzten Dekade deutlich umgestaltet, und die Genauigkeit der Bilderkennungsanwendungen ist jetzt auf einem unerreichten Niveau. Aber die Ergebnisse unserer Studie mit dem CERN zeigen, dass es noch Raum für Verbesserungen gibt, was autonome Fahrzeuge angeht”, sagte Christoffer Petersson, der Forschungsleiter von Zenseact.
Für die Verarbeitung der Aufgaben wurden FPGA-Chips (Field-Programmable Gate Array) als Hardware-Benchmark ausgewählt. FPGAs sind am CERN seit vielen Jahren im Einsatz und bestehen aus konfigurierbaren integrierten Schaltkreisen, die komplexe entscheidungstreffende Algorithmen binnen Mikrosekunden ausführen können. Die Forscher stellten fest, dass in den FPGA wesentlich mehr Funktionalität gepackt werden könnte, wenn die existierenden Ressourcen optimiert werden. Das beste daran ist, dass die Aufgaben mit höherer Genauigkeit und kürzerer Latenz durchgeführt werden könnten, sogar auf einer Recheneinheit mit begrenzter Kapazität.
“Unsere Zusammenarbeit erläuterte die Kompressionstechniken in FPGAs, die auch einen deutlichen Effekt auf den Anstieg der Verarbeitungseffizienz in den LHC-Datenzentren haben könnten. Mit Plattformen zum maschinellen Lernen, die die Bühne für Lösungen der nächsten Generation bereiten, könnte die zukünftige Entwicklung dieses Forschungsgebiets einen wichtigen Beitrag zu vielen anderen Gebieten jenseits der Hochenergiephysik leisten”, sagte der CERN-Physiker Maurizio Pierini.
Dieselben Techniken können auch verwendet werden, um in einem breiten Bereich die algorithmische Effizienz unter Beibehaltung der Genauigkeit zu verbessern – von Gewinnen der Energieeffizienz in Datenzentren bis hin zu Zellen-Screening für medizinische Anwendungen.
(THK)
Antworten