ANN4EUROPE: ANNs für Effiziente, robuste und interpretierbare Rekonstruktion in der Physik und darüber hinaus

Die Datenverarbeitung in der experimentellen Hochenergie- und Schwerionenphysik war sowohl aus mathematischer als auch aus rechnerischer Sicht immer eines der schwierigsten Probleme auf diesem Gebiet. Zukünftige Experimente erfordern die Fähigkeit, Datenmengen von bis zu 500 Tbit pro Sekunde auf rechnerisch ökonomische und energieeffiziente Weise zu rekonstruieren und zu klassifizieren. Angesichts der zunehmenden Fragmentierung von Computerarchitekturen und ihrer Spezialisierung auf Kl-Aufgaben erfordert die erfolgreiche Lösung dieses Problems die Entwicklung neuer Algorithmen und Techniken, bei denen Kl-Methoden im Mittelpunkt stehen. Da das Volumen und die Komplexität der Daten unserer Experimente den Umfang vergleichbar komplexer industrieller Anwendungen übersteigen, ist zu erwarten, dass sich der Erfolg dieses Projekts auf andere Bereiche übertragen lässt, in denen eine Mustererkennung mit KI in Echtzeit erforderlich ist. Es werden tiefe neuronale Netzwerkmethoden entwickelt, die eine kostengünstige und energieeffiziente Datenverarbeitung bei einer Vielzahl von Experimenten in der Hochenergie- und Schwerionenphysik ermöglichen. Anknüpfend an bestehende nachhaltige und offene Software-Infrastrukturen und insbesondere Erfahrungen mit den Experimenten LHCb (CERN) und CBM (FAIR) werden erarbeitete Fortschritte einem breiten Fachpublikum und Netzwerk zur Verfügung gestellt. Durch die Zusammenarbeit des Konsortiums kann ein Beitrag zur optimalen Nutzung der Leistungsfähigkeit zukünftiger Hybrid-Computing-Architekturen geleistet werden, indem Rechen- und Energieeffizienz stark verbessert werden.