ML-INFN approccio end-to-end all utilizzo del Machine Learning per le linee di ricerca INFN

Transcript

1 approccio end-to-end all utilizzo del Machine Learning per le linee di ricerca INFN Lucio Anderlini per il GdL 1

2 Il progetto nazionale: 1. L Intelligenza Artificiale è uno dei maggiori campi di investimento in tecnologie informatiche a livello globale 2. Per l INFN è vitale dominare le nuove architetture hardware e le nuove tecnologie software che stanno modificando il panorama del calcolo 3. Il modo più facile per utilizzare queste risorse ad elevatissimo parallelismo è trasformare i problemi computazionali in operazioni tra matrici. 4. Le matrici da utilizzare devono spesso essere determinate in un problema di ottimizzazione numerica che è anche un elemento chiave del machine learning. 5. Molte attività nelle linee di ricerca INFN potrebbero beneficiare delle tecniche sviluppate per il machine learning anche indipendentemente dalla necessità di grande potenza di calcolo, ma la competenza è molto frammentata su problemi specifici e non esiste un riferimento nazionale chiaro. 2

3 I pilastri dell iniziativa (work packages) 1. Infrastruttura Accesso a risorse di calcolo condivise in modalità cloud con virtualizzazione, basate su OpenStack. Permette un partizionamento dinamico delle risorse, armonizzando l accesso ad un ampio spettro di soluzioni hardware (es. GPU per gaming) 2. Formazione (Stewardship) Giornate di incontro tecnico (hackathon) e armonizzazione dei molti seminari e workshop che stanno sorgendo spontaneamente nelle Sezioni INFN. Diffusione di materiale audiovisivo realizzato in occasione di queste giornate 3. Casi scientifici Selezione di use-case e costruzione di una base di conoscenze e di codice riutilizzabile all interno di altre linee di ricerca. 3

4 Durata del progetto Il progetto prevede una fase di avvio e consolidamento di tre anni. La natura infrastrutturale del progetto rende ragionevole ambire ad una forma di finanziamento stabile per mantenere nel tempo l operatività del gruppo 4

5 Casi scientifici nazionali 1. Convolutional neural networks: a. Immagini mediche V b. Applicazioni a HEP (pixel clustering, calorimeter clustering) I II c. Mappe tempo frequenza dei segnali gravitazionali II 2. Time series: a. Long short-term memory (LSTM) su dati di Virgo II b. Analisi di immagini funzionali in Risonanza Magnetica V 3. Algoritmi: esempi di GraphNet a. Sostituzione di algoritmi classici con graphnet per tracking, particle flow, jet clustering in HEP I b. Analisi di causalità in sistemi dinamici complessi (ambito detector characterization, VIRGO) II 4. Modelli supervisionati: selezione/classificazione; esempio di feed forward NN a. Selezione delle posizioni ottimali di sensori sismici per la mitigazione del rumore Newtoniano (VIRGO) b. Categorizzazione di jets per flavour in HEP I c. Categorizzazione di immagini mediche sane/con patologia V d. Classificazione dei segnali transienti V e. Ottimizzazione end-to-end con inclusione effetto errori sistematici nella loss di DNN I 5. Modelli non supervisionati: categorizzazione e compressione; esempi di auto encoders: a. Data compression in HEP I b. Data quality monitoring di detectors I c. Segnali anomali per nuova fisica I d. Virgo (per anomaly detections) II II 5

6 Attività in corso a Firenze Simulazione ultra-veloce per LHCb [e.g. arxiv: ] Utilizzo di reti neurali creative per parametrizzare la risposta del rivelatore Deployment di reti neurali su FPGA per DAQ [e.g. arxiv: ] Utilizzando architetture a latenza fissa altamente parallele si possono introdurre reti neurali nella catena di acquisizione dati, a monte di un trigger hardware. Applicazioni sono: smart trigger, de-noising, fuzzy AND... Radiomica per la medicina personalizzata [e.g. Sci Rep Sep 4;7(1):10353] Le reti neurali convoluzionali hanno rivoluzionato il mondo dell image processing, e il database di Careggi permette studi con buona statistica anche su casi specifici Data Quality Monitor & Data Certification per CMS [e.g. arxiv: ] L automazione della procedura di Data Quality per CMS richiede algoritmi intelligenti di anomaly detection. Trigger di eventi rari per HERD [e.g. Tesi UniFi di Federico Magnolfi] Semplici reti neurali potrebbero aiutare nella selezione in tempo reale di eventi rari in un sistema calorimetrico in orbita. 6

7 Anagrafica Lucio Anderlini 10 % Vitaliano Ciulli 10 % Nicola Mori 10 % Leandro Lanzi 10 % Cinzia Talamonti 20 % Stefano Piffer 50 % Stefania Pallotta 20 % Silvia Calusi 20 % Resp. Nazionale Sezioni coinvolte: Torino Bologna Firenze Pisa Napoli Tommaso Boccali (PISA) Bari Cnaf Perugia Genova Roma I Inoltre, il gruppo vive delle applicazioni del machine learning alle tematiche dei vari gruppi di ricerca della Sezione, non necessariamente ufficialmente rappresentati nell anagrafica del progetto. 7