Сталкивающиеся частицы, а не автомобили: машинное обучение ЦЕРН поможет разработке автобеспилотников
125

Сталкивающиеся частицы, а не автомобили: машинное обучение ЦЕРН поможет разработке автобеспилотников

Ожидается, что в будущем автономные или беспилотные автомобили значительно сократят количество смертельных случаев в результате дорожно-транспортных происшествий. Продвигая разработки на этой революционной дороге, ЦЕРН и компания Zenseact, занимающаяся разработкой программного обеспечения для обеспечения безопасности автомобилей, только что завершили трехлетний проект по изучению моделей машинного обучения, позволяющих беспилотным автомобилям быстрее принимать правильные решения и, таким образом, избегать столкновений.


Уникальные возможности в области анализа данных — то, что объединило ЦЕРН и Zenseact для изучения того, как методы машинного обучения организации, занимающейся физикой высоких энергий, можно применить в области автономного вождения. Сосредоточив внимание на компьютерном зрении, которое помогает автомобилю анализировать внешнюю среду и реагировать на нее. Цель сотрудничества в том, чтобы сделать методы глубокого обучения более быстрыми и точными.

Глубокое обучение сильно изменило компьютерное зрение за последнее десятилетие, и точность приложений для распознавания изображений сейчас находится на беспрецедентном уровне. Но результаты нашего исследования с ЦЕРН показывают, что есть еще возможности для улучшения, когда речь идет об автономных транспортных средствах

— Кристоффер Петерссон, руководитель исследования в Zenseact.

Для обработки задач компьютерного зрения в качестве аппаратного эталона были выбраны микросхемы, известные как программируемые вентильные матрицы (FPGA). Исследователи обнаружили, что за счет оптимизации существующих ресурсов в FPGA можно добавить значительно больше функциональных возможностей. Самое приятное то, что задачи могут выполняться с высокой точностью и малой задержкой даже на процессоре с ограниченными вычислительными ресурсами.

Наша совместная работа выявила методы сжатия в FPGA, которые также могут оказать существенное влияние на повышение эффективности обработки данных в центрах обработки данных LHC. Благодаря тому, что платформы машинного обучения закладывают основу для решений следующего поколения, развитие этой области исследований может стать важным вкладом во многие другие области, помимо физики высоких энергий

— Маурицио Пьерини, физик из ЦЕРН.

Те же методы можно использовать для повышения эффективности алгоритмов при сохранении точности в широком диапазоне областей, от повышения энергоэффективности в центрах обработки данных до скрининга клеток для медицинских приложений.
Наши новостные каналы

Подписывайтесь и будьте в курсе свежих новостей и важнейших событиях дня.

Рекомендуем для вас