Machine Learning on Heterogeneous, Edge, and Quantum Hardware for Particle Physics (ML-HEQUPP)

Ce document blanc présente une vision communautaire visant à identifier et prioriser les opportunités de recherche et de développement dans les systèmes matériels d'apprentissage automatique et leurs applications en physique des particules, afin de relever les défis liés aux débits de données sans précédent et aux environnements extrêmes des futures expériences.

Julia Gonski (Sunny), Jenni Ott (Sunny), Shiva Abbaszadeh (Sunny), Sagar Addepalli (Sunny), Matteo Cremonesi (Sunny), Jennet Dickinson (Sunny), Giuseppe Di Guglielmo (Sunny), Erdem Yigit Ertorer (Sunny), Lindsey Gray (Sunny), Ryan Herbst (Sunny), Christian Herwig (Sunny), Tae Min Hong (Sunny), Benedikt Maier (Sunny), Maryam Bayat Makou (Sunny), David Miller (Sunny), Mark S. Neubauer (Sunny), Cristián Peña (Sunny), Dylan Rankin (Sunny), Seon-Hee (Sunny), Seo, Giordon Stark, Alexander Tapper, Audrey Corbeil Therrien, Ioannis Xiotidis, Keisuke Yoshihara, G Abarajithan, Sagar Addepalli, Nural Akchurin, Carlos Argüelles, Saptaparna Bhattacharya, Lorenzo Borella, Christian Boutan, Tom Braine, James Brau, Martin Breidenbach, Antonio Chahine, Talal Ahmed Chowdhury, Yuan-Tang Chou, Seokju Chung, Alberto Coppi, Mariarosaria D'Alfonso, Abhilasha Dave, Chance Desmet, Angela Di Fulvio, Karri DiPetrillo, Javier Duarte, Auralee Edelen, Jan Eysermans, Yongbin Feng, Emmett Forrestel, Dolores Garcia, Loredana Gastaldo, Julián García Pardiñas, Lino Gerlach, Loukas Gouskos, Katya Govorkova, Carl Grace, Christopher Grant, Philip Harris, Ciaran Hasnip, Timon Heim, Abraham Holtermann, Tae Min Hong, Gian Michele Innocenti, Koji Ishidoshiro, Miaochen Jin, Jyothisraj Johnson, Stephen Jones, Andreas Jung, Georgia Karagiorgi, Ryan Kastner, Nicholas Kamp, Doojin Kim, Kyoungchul Kong, Katie Kudela, Jelena Lalic, Bo-Cheng Lai, Yun-Tsung Lai, Tommy Lam, Jeffrey Lazar, Aobo Li, Zepeng Li, Haoyun Liu, Vladimir Lončar, Luca Macchiarulo, Christopher Madrid, Benedikt Maier, Zhenghua Ma, Prashansa Mukim, Mark S. Neubauer, Victoria Nguyen, Sungbin Oh, Isobel Ojalvo, Hideyoshi Ozaki, Simone Pagan Griso, Myeonghun Park, Christoph Paus, Santosh Parajuli, Benjamin Parpillon, Sara Pozzi, Ema Puljak, Benjamin Ramhorst, Amy Roberts, Larry Ruckman, Kate Scholberg, Sebastian Schmitt, Noah Singer, Eluned Anne Smith, Alexandre Sousa, Michael Spannowsky, Sioni Summers, Yanwen Sun, Daniel Tapia Takaki, Antonino Tumeo, Caterina Vernieri, Belina von Krosigk, Yash Vora, Linyan Wan, Michael H. L. S. Wang, Amanda Weinstein, Andy White, Simon Williams, Felix Yu

Publié Thu, 12 Ma
📖 3 min de lecture🧠 Analyse approfondie

Each language version is independently generated for its own context, not a direct translation.

Imaginez que vous essayez de prendre des photos d'une tempête de neige, mais au lieu de quelques flocons, des milliards de flocons tombent chaque seconde, et vous devez les photographier avec une caméra qui fonctionne dans un congélateur ou au milieu d'un champ de radiations. C'est un peu le défi que se posent les physiciens pour la prochaine génération d'expériences sur les particules.

Ce document, intitulé ML-HEQUPP, est comme une carte au trésor dessinée par toute une communauté de scientifiques. Voici ce qu'il raconte, traduit en langage simple :

1. Le Problème : Une inondation de données

Les futurs accélérateurs de particules vont produire une quantité de données si énorme qu'elle ressemble à une inondation. Les ordinateurs actuels sont comme de petits bateaux à rames : ils vont couler s'ils essaient de tout traiter. De plus, ces expériences se déroulent dans des environnements extrêmes (froid intense, radiation), là où les ordinateurs classiques ont du mal à survivre.

2. La Solution : Une équipe de super-héros technologiques

Pour ne pas se noyer dans cette marée d'informations, le document propose de faire travailler ensemble trois "super-héros" qui ne sont pas encore totalement prêts pour le combat :

  • L'Intelligence Artificielle (IA) : Imaginez un détective très rapide qui ne regarde pas chaque flocon individuellement, mais qui sait immédiatement repérer les rares flocons spéciaux qui contiennent un secret, en jetant le reste à la poubelle. C'est ce qu'on appelle la "réduction intelligente des données".
  • Les puces électroniques de nouvelle génération : Ce sont des outils miniatures et robustes, capables de fonctionner directement sur le lieu de l'expérience (au bord du "gouffre"), sans avoir besoin d'envoyer les données loin vers un centre de calcul. On les appelle des systèmes "Edge" (en bordure).
  • L'ordinateur quantique : C'est une machine qui fonctionne avec les lois bizarres de la physique quantique. Au lieu de compter 1, 2, 3... elle peut explorer plusieurs chemins en même temps, comme si elle pouvait être à plusieurs endroits à la fois pour trouver la solution.

3. La Vision : Construire un véhicule tout-terrain

Le but de ce document n'est pas juste de parler de ces technologies, mais de dire : "Allons-y !"

Les auteurs proposent de concevoir des machines hybrides. Imaginez un véhicule tout-terrain (le matériel) qui a un cerveau ultra-rapide (l'IA) et qui peut utiliser des moteurs à réaction (le quantique) pour traverser des terrains impossibles.

Ils veulent :

  • Créer des appareils qui consomment très peu d'énergie (comme une montre-bracelet plutôt qu'une centrale électrique).
  • Développer des circuits qui peuvent se reconfigurer eux-mêmes, comme un jeu de Lego qui change de forme selon le problème à résoudre.
  • Faire en sorte que tout cela fonctionne même si l'appareil est gelé ou irradié.

En résumé

Ce document est un appel à l'action pour les ingénieurs et les physiciens. Il dit : "Si nous voulons découvrir les secrets de l'univers avec les futures expériences, nous ne pouvons pas utiliser les mêmes outils que ceux d'aujourd'hui. Nous devons construire de nouveaux outils, plus intelligents, plus rapides et plus résistants, en mélangeant l'IA, l'électronique de pointe et l'informatique quantique."

C'est une feuille de route pour passer d'une époque où l'on subit les données, à une époque où l'on les maîtrise intelligemment pour faire de nouvelles découvertes.