Negli ultimi venti anni gli sviluppi compiuti nel campo del machine learning hanno subito un incremento a dir poco straordinario, sia in termini qualità dei risultati, sia a livello di utilizzo e diffusione negli ambiti più svariati.
Questo ha determinato la nascita di un notevole interesse da parte di aziende specializzate, nello sviluppo e produzione di hardware commerciali dedicati al funzionamento di algoritmi machine learning in maniera efficiente, come per esempio le GPU.
Le esigenze di molti esperimenti di fisica, ma anche di diverse applicazioni tecnologiche, sono tuttavia sempre più spesso quelle di ottenere una grande velocità nell'esecuzione delle operazioni, soprattutto in fase di acquisizione dati. Questo aspetto rende particolarmente adatta la scelta delle FPGA (Field Programmable Gate Arrays), processori completamente programmabili e capaci di prestazioni notevoli, ma nelle quali l'implementazione di algoritmi sofisticati può risultare particolarmente ostica.
L'obiettivo dello studio sarà dunque quello di implementare con successo una Convolutional Neural Network all'interno di una FPGA, e testarne successivamente le prestazioni su di uno specifico problema di fisica.
Come già rimarcato più volte, il settore del ML, in particolare per quanto riguarda i diversi tipi di NN esistenti, sta vivendo un periodo di notevole floridità, dovuto soprattutto al successo dimostrato nella risoluzione dei problemi più disparati. Manca tuttavia un supporto efficace per poter far funzionare questo tipo di algoritmi all'interno delle FPGA, componenti attorno ai quali l'interesse della comunità scientifica sta crescendo sempre di più e all'interno dei quali non tutti gli algoritmi riescono ad essere sintetizzati con successo. Il successo del progetto esposto determinerebbe dunque la possibilità di sfruttare a pieno tutti i vantaggi che presenta questo tipo di processore, quali rapidità di calcolo, ridotto consumo energetico e flessibilità. In merito a quest'ultimo punto, il progetto si pone inoltre come obiettivo ultimo quello di verificare la sintetizzabilità di un ulteriore tipo di CNN, ovvero una CNN ternaria: la particolarità di questo tipo di algoritmo sta nell'essere descritto da parametri costituiti ciascuno da solamente due bit di memoria, la cui fattibilità è resa dunque possibile proprio dalla grande libertà di gestione delle variabili che offrono le FPGA. Una rete di questo tipo offre un notevole vantaggio in termini di risorse occupate e di conseguenza un'architettura potenzialmente più complessa e performante.
Fra le numerose applicazioni che deriverebbero dal successo del progetto, molte idee interessanti potrebbero essere applicate direttamente alla Fisica. Una di queste potrebbe essere quella di utilizzare una CNN in esperimenti di Fisica delle Particelle, volti alla ricerca di segnali di Nuova Fisica. Attualmente, ad esempio, buona parte degli esperimenti al Large Hadron Collider del Cern, sono in una fase di progettazione e pianificazione degli upgrade che avranno luogo nei prossimi anni, e che vedranno l'impiego intensivo in diversi ambiti di FPGA. Una CNN può essere utilizzata a livello di trigger on-line per discriminare nei tempi estremamente ridotti richiesti dagli esperimenti (minori di circa 1.5 mus) gli eventi di segnale (nuova fisica) dagli eventi di fondo.