中微子不断轰击地球表面。它们是宇宙中最丰富的粒子之一; 每秒估计有400万亿拉链通过你的身体。此外，粒子加速器通过地球上相当远的距离在探测器目标上射击数百公里的中微子。但是，尽管如此，它们仍然极难被发现。

PNNL的研究人员正在应用深度学习技术来更多地了解中微子，这是全球研究人员网络的一部分，他们试图了解宇宙中最难以捉摸的粒子之一。

他们的专业知识旨在通过称为LArTPC的大型液氩时间投影室在实验中产生的大量数据。科学家利用这些来研究中微子及其在我们宇宙中的作用，但由于这些高保真探测器中有数以万计的通道和非常高的数据速率，它们为科学家筛选出的大量数据可能会令人难以接受。

PNNL研究人员最近使用国家实验室综合体的领导级超级计算机，称为Summit，利用深度学习的力量深入研究这些中微子物理实验产生的数据。

Alex Hagen 在最近的瑞士物理研究高级计算和分析技术国际研讨会(ACAT 2019)上讨论了他的团队的研究。它是使用这种功能强大的硬件和软件进行粒子物理研究中深度卷积神经网络的一种深度学习形式的首批应用之一 - 也许是第一次。

深度学习的核心是培训计算机网络，以便从数据中学习模式，使网络能够根据未来数据做出决策。但在中微子物理学中，大量的数据使得训练时间很长; 要足够快地训练网络以理解所有数据是非常困难的。一种解决方案是裁剪数据 - 限制流入网络的数据量以进行分析 - 但这种方法可能导致关键信息的丢失。

PNNL团队 - 其中还包括Eric Church，Jan Strube，Kolahal Bhattacharya和Vinay Amatya--从费米实验室的MicroBooNE实验中解决了大量的模拟数据。科学家通过在PNNL的研究计算集群(称为Marianas)上训练卷积神经网络并将问题扩展到多个节点来解决数据过载问题。使用由Uber和Facebook开发的PyTorch，Horovod和SparseConvNet等工具，当他们将系统从一个NVIDIA P100 GPU扩展到14个时，科学家们将数据丢失率降低了80%以上。

然后，该团队在Oak Ridge的SummitDev计算机上测试了128多个NVIDIA P100 GPU的数据，PNNL团队在那里进一步显着缩短了培训时间和数据丢失。他们应用SparseConvNet进一步加快了培训时间。训练时间几乎与GPU数量线性减少，并且由于技术问题，有效批量大小足以允许更优化的学习，因此使用大量GPU实现的最低损失有时低于仅有少量GPU可实现的损失。 。