Graham は、ゼロ以外の値を持つ (単なる空白ではない) ピクセルを少なくとも 1 つ含む画像の 3 行 3 列のセクションにのみカーネルが配置されるように、CNN アプローチを微調整しようとしました。 こうして、手書きの中国語を効率的に識別できるシステムの構築に成功した。 2013 年のコンテストでは、わずか 2.61% のエラー率で個々の文字を識別して優勝しました。 (人間のスコアは平均 4.81% でした。)次に彼は、さらに大きな問題である 3 次元オブジェクトの認識に注意を向けました。
2017 年までに、グラハムは Facebook AI Research に異動し、技術をさらに磨き、 出版された の 詳細 最初の SCNN では、(少なくとも 1 つの「非ゼロ」ピクセルを持つ 3 行 3 列のセクションにカーネルを配置するのではなく) 非ゼロ値を持つピクセルのみを中心にカーネルを配置しました。 寺尾が素粒子物理学の世界に持ち込んだのは、この一般的なアイデアでした。
アンダーグラウンドショット
寺尾氏は、フェルミ国立加速器研究所で、最もとらえどころのない既知の素粒子の中でもニュートリノの性質を調べる実験に携わっています。 これらは（それほど多くはありませんが）質量を持つ宇宙で最も豊富な粒子でもありますが、検出器内に現れることはほとんどありません。 その結果、ニュートリノ実験のデータのほとんどはまばらであり、寺尾氏はデータ分析に対するより良いアプローチを常に模索していました。 彼は SCNN で 1 つを見つけました。
2019年、彼はSCNNを、2026年に稼働すると世界最大のニュートリノ物理学実験となる大深度ニュートリノ実験（DUNE）から期待されるデータのシミュレーションにSCNNを適用した。このプロジェクトは、シカゴ郊外のフェルミ研究所からニュートリノを発射する予定である。 800マイルの地球を通ってサウスダコタ州の地下研究所まで。 その過程で、粒子は既知の 3 種類のニュートリノの間で「振動」し、これらの振動によってニュートリノの詳細な特性が明らかになる可能性があります。
SCNN は、通常の方法よりも高速にシミュレートされたデータを分析し、その際に必要な計算能力が大幅に少なくなりました。 有望な結果は、SCNN が実際の実験実行中に使用される可能性が高いことを意味します。
一方、2021年に寺尾氏は、MicroBooNEとして知られるフェルミ研究所の別のニュートリノ実験にSCNNを追加するのを手伝った。 ここでは、科学者たちはニュートリノとアルゴン原子核との衝突の余波を調べています。 これらの相互作用によって作成された軌跡を調べることで、研究者は元のニュートリノについての詳細を推測することができます。 そのためには、検出器の 3 次元表現内のピクセル (または、技術的にはボクセルと呼ばれる 3 次元の対応物) を調べて、どのピクセルがどの粒子の軌道に関連付けられているかを判断できるアルゴリズムが必要です。
データが非常にまばらであるため、大きな検出器 (約 170 トンの液体アルゴン) 内に小さな線が点在するだけなので、SCNN はこのタスクにはほぼ完璧です。 標準的な CNN では、多くの計算を行うため、画像を 50 個の部分に分割する必要があると寺尾氏は述べています。 「スパース CNN を使用すると、画像全体を一度に分析でき、はるかに高速に分析できます。」
タイムリーなトリガー
MicroBooNE に取り組んだ研究者の 1 人は、Felix Yu という名前の学部生インターンでした。 SCNN のパワーと効率に感銘を受けた彼は、南極にあるアイスキューブ ニュートリノ観測所と正式に提携しているハーバード大学の研究所の大学院生として、次の職場にそのツールを持ち込みました。
この天文台の重要な目標の 1 つは、宇宙で最もエネルギーの高いニュートリノを捕捉し、そのほとんどが銀河系外にあるニュートリノの発生源まで追跡することです。 この検出器は、南極の氷に埋められた 5,160 個の光センサーで構成されており、常時点灯するのはそのうちのほんの一部だけです。 配列の残りの部分は暗いままであり、特に有益ではありません。 さらに悪いことに、検出器が記録する「イベント」の多くは偽陽性であり、ニュートリノ探索には役に立ちません。 いわゆるトリガーレベルのイベントのみがさらなる分析の対象となり、どれがその指定に値し、どれが永久に無視されるかについて即座に決定する必要があります。