Determination of New Physics constants by Deep Neural Net using HLT resource
| Project/Area Number |
21K03593
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 15020:Experimental studies related to particle-, nuclear-, cosmic ray and astro-physics
|
|---|
| Research Institution | High Energy Accelerator Research Organization |
|---|
Principal Investigator |
伊藤 領介 大学共同利用機関法人高エネルギー加速器研究機構, 素粒子原子核研究所, 教授 (90193531)
|
|---|
| Project Period (FY) |
2021-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥3,640,000 (Direct Cost: ¥2,800,000、Indirect Cost: ¥840,000)
Fiscal Year 2023: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2022: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
Fiscal Year 2021: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
|
|---|
| Keywords | 新物理探索 / ディープニューラルネット / 並列処理 / 素粒子実験 / 統合解析 / ディープニューラルネットワーク / 高次トリガー / データ解析 / 機械学習 |
|---|
| Outline of Research at the Start |
３年間の研究の予定であり、初年度はディープニューラルネットの解析フレームワークへの実装とテスト、次年度はHLT に用いるための並列化と計算資源の動的管理の実装を行う。最終年度はディープニューラルネットの学習の後、実験データを入力してWilson Coefficient を決定し、新物理モデルの同定を行う。
|
| Outline of Annual Research Achievements |
種々の実験の結果を統合解析し、新物理理論モデルの物理定数を精密に決定することにより、新物理の存在の探索を行うのが本研究の目的である。統合解析の手法としてディープニューラルネットの使用を前提としたが、実験の多方面にわたる詳細なデータを入力するためには、通常の計算機では計算能力が不足していた。そこでBelle II実験で使用されている高次トリガー(HLT)を利用することを考えた。高次トリガーは大量のデータをリアルタイムで処理する必要があるため、高いグラニュラリティの並列処理を行うフレームワークが実装されている。このフレームワークの上でニューラルネットを動作させれば、新物理モデルに多岐にわたるデータを入力し、新物理定数を精密も決定するのに必要な計算能力が得られると考えた。
本年度は前年にひきつづき、HLTのフレームワークを拡張してディープニューラルネットのエンジンであるTensorFlowをフレームワークに落とし込む研究を続けた。フレームワーに、並列処理を行う多数のプロセスのうちに一つが問題をおこして停止してしまっても、それを自動的に復旧するメカニズムを実装することに成功した。これにより安定にディープニューラルネットを高速に動作させることができるようになった。この結果をComputing in High Energy Physics 2023国際会議で発表した。さらに査読論文にもまとめ、出版された。
|
| Current Status of Research Progress |
Current Status of Research Progress
4: Progress in research has been delayed.
Reason
ディープニューラルネットのエンジンであるTensorFlowをHLTのフレームワークを用いて並列化することにより高速化を試みているが、現在の方法の並列化では処理の速い部分と遅い部分が同じように並列化されるため、全体の実行速度が処理の遅い部分で決まってしまい、HLTの全計算能力を有効に活用できていない。この問題の解決のためにTensorFlowの動作解析を行っているが、その理解に時間がかかっている。ニューラルネットの学習のために大量のデータを投入し処理を行わせるが、それを並列化する過程において、どのような場合の処理に時間がかかるのかの解析が進んでいない。この解析の進め方が現在の研究課題となっている。
|
| Strategy for Future Research Activity |
TensorFlowの実装の一部では、GPUを用いた並列化がなされているものがある。そこでこの手法を研究することで、本研究の並列化のアルゴリズムを改良したいと考えている。またさらに将来的にはGPUと本研究の並列処理の両方を同時に使用できるようなフレームワークを開発したい。これによりより広範囲かつ詳細な実験データを同時にニューラルネットで扱えるようにし、新物理の探索を進めたい。
|
Report
(3 results)
Research Products
(5 results)
