希格斯玻色子分类:基于 Brain-inspired BCPNN 学习与 StreamBrain 的实现
机器学习
2021-08-18 v2 计算工程、金融与科学
分布式、并行与集群计算
神经与进化计算
摘要
对于大数据集的分析与探索,最具前景的方法之一是由脑模型启发的机器学习技术。此类方法使用替代的学习规则,可能比既有的学习规则更高效。本工作中,我们关注脑启发 ML 在利用高性能计算(HPC)资源解决 ML 问题上的潜力:我们讨论 BCPNN 及其称为 StreamBrain 的 HPC 实现、其计算成本、对 HPC 系统的适用性。作为一个示例,我们使用 StreamBrain 分析来自高能物理的希格斯玻色子数据集,并区分高能粒子对撞机碰撞中的背景类与信号类。总体上,我们达到了最高 69.15% 的准确率与 76.4% 的曲线下面积(AUC)性能。
引用
@article{arxiv.2107.06676,
title = {Higgs Boson Classification: Brain-inspired BCPNN Learning with StreamBrain},
author = {Martin Svedin and Artur Podobas and Steven W. D. Chien and Stefano Markidis},
journal= {arXiv preprint arXiv:2107.06676},
year = {2021}
}
备注
Accepted for publication at The 2nd Workshop on Artificial Intelligence and Machine Learning for Scientific Applications (AI4S 2021)