将模拟 MicroBooNE 事件的粒子分类训练扩展到多 GPU

液氩时间投影室（LArTPC）中微子探测器（如费米实验室的 MicroBooNE 探测器）的测量结果具有大尺寸、高保真度的事件图像。深度学习技术在照片分类任务中极为成功，但由于事件尺寸巨大，其在 LArTPC 事件图像中的应用面临挑战。这些探测器中的事件通常比经典挑战（如 MNIST 数据库中的手写数字识别或 ImageNet 数据库中的物体识别）中的图像大两个数量级。理想情况下，训练应在整个事件数据的多个实例上进行，而非在事件数据中裁剪出的感兴趣区域的多个实例上进行。然而，这样的努力会导致极长的训练周期，从而减缓对新网络架构的探索和用于改进分类性能的超参数扫描。我们展示了在跨多个节点的多种架构上扩展 LArTPC 分类问题的研究。这些研究是在 MicroBooNE 探测器的模拟事件上进行的。我们强调，优化网络或从本文任何结果中提取物理内容超出了本研究的范围。使用了太平洋西北国家实验室的机构计算资源和橡树岭国家实验室领导计算设施的 SummitDev 机器。据我们所知，这是首次将最先进的卷积神经网络及其伴随的计算技术用于粒子物理，并部署到能源部领导级设施上。我们预期其效益将特别惠及深层地下中微子实验（DUNE）LArTPC 项目，这是美国未来几十年旗舰高能物理（HEP）项目。