Lo studio delle proprietà del bosone di Higgs, scoperto alla fine del 2012 dagli esperimenti al collisore protone-protone LHC del CERN, e la ricerca di effetti inaspettati di nuova fisica, rappresentano i settori di maggiore interesse nel programma di ricerca che verrà portato avanti nei prossimi anni a LHC.
Per massimizzare il potenziale di scoperta sarà cruciale migliorare sensibilmente la capacità degli esperimenti di individuare le caratteristiche peculiari che contraddistinguono i segnali dovuti alle particelle prodotte dal decadimento del bosone di Higgs rispetto ai segnali dominanti dovuti ai processi di fondo del Modello Standard.
Da questo punto di vista una delle possibilità più attraenti è quella di sfruttare il successo recentemente ottenuto dagli algoritmi di deep learning nel risolvere problemi di classificazione e patter recognition. I pattern dei segnali rilasciati nei rivelatori degli esperimenti LHC possono infatti essere interpretati e rappresentati in modo simile ad immagini fotografiche, e quindi al pari di queste possono in principio essere analizzati attraverso l'uso di reti neurali.
La limitazione principale a tale approccio è legata alla forte sparsificazione dei dati raccolti negli esperimenti LHC, caratteristica che riduce sostanzialmente le prestazioni degli algoritmi più noti di deep learning oggi disponibili.
In questo progetto di ricerca si vogliono sviluppare algoritmi innovativi di deep learning per la classificazione di immagini altamente sparsificate, basate su reti neurali profonde a bassa precisione, e applicare tali algoritmi a due analisi di ricerca portate avanti presso l'esperimento ATLAS a LHC: la misura del decadimento del bosone di Higgs in una coppia di b-quark e la ricerca di decadimenti esotici del bosone di higgs in particelle a lunga vita media che decadono in getti adronici collimati.
Le potenzialità della ricerca proposta dal punto di vista di realizzare un avanzamento delle conoscenze rispetto allo stato dell'arte sono duplici. Da una parte la potenza computazionale unita alla flessibilità e precisione di sistemi per il machine learning basati su FPGA fornirebbe una soluzione perfetta per la futura generazione di sistemi di analisi in tempo reale (sistemi di trigger di basso livello) da utilizzare sia negli esperimenti di fisica delle particelle elementari che in qualsiasi contesto ad alta complessità/fondo/rate in cui sia richiesta la presenza di sistemi di filtro in tempo reale. Soluzioni basate su algoritmi di deep learning su FPGA espanderebbero considerevolmente il programma di misure di fisica degli esperimenti ATLAS e CMS a LHC aprendo l'accesso ad un campione statisticamente significativo di segnali rari e difficili da ricostruire, quali segnali da particelle neutre a lunga vita-media, decadimenti rari e anomali del bosone di Higgs, particelle predette da modelli teorici con settori nascosti che possono fornire una spiegazione al problema della Materia Oscura.
Inoltre le specifiche applicazioni degli algoritmi sviluppati per l'identificazione di getti adronici in regime di alto boost relativistico avranno un interesse sempre crescente dal punto di vista dell'utilizzo nelle ricerche future agli esperimenti a LHC, dove al crescere delle energie in gioco diverrà sempre più cruciale avere strumenti sofisticati e potenti per il controllo di oggetti fisici con impulso traverso sempre più elevato.
Applicazioni di machine learning più efficienti legate all'utilizzo di reti profonde a bassa precisione su FPGA avranno infine una forte rilevanza in altri campi della scienza e della tecnologia: possono essere applicati in aree quali l'intelligenza artificiale, big data o problemi di machine learning i cui devono essere analizzati campioni estremamente grandi di dati.
Grazie all aumento di prestazioni e alla flessibilità legato all'uso di FPGA gli algoritmi sviluppati hanno anche grandi potenzialità per applicazioni in imaging biomedico e in sistemi basati su radiazioni ionizzanti/fasci di particelle per terapie mediche (per esempio nello sviluppo e realizzazione di sistemi per la quality assurance in tomoterapia o nell'analisi di immagini mediche).