<\/span><\/h2>\n\n\n\n
Die Forschergruppen des Lehrstuhls f\u00fcr K\u00fcnstliche Intelligenz und des Lehrstuhls f\u00fcr Teilchenphysik an der TU Dortmund arbeiten schon seit Jahren im Rahmen des FACT Projektes zusammen. Das \u201cFirst G-APD Cherenkov Telescope\u201d (FACT) befindet sich auf dem Roque de los Muchachos auf La Palma (Spanien) und ist ein Teleskop zur Messung von Gammastrahlung. Das FACT Teleskop ist mit 1.440 Sensoren auf einer Fl\u00e4che von etwa 9,5 Quadratmetern ausgestattet, die kontinuierlich den Himmel beobachten. Das Teleskop nimmt ca. 60 Messungen pro Sekunde auf, was insgesamt zu einer Datenrate von etwa 180 MB pro Sekunde f\u00fchrt. Dadurch ergeben sich pro Nacht ca. 5 TB an Rohdaten. Damit die Daten anschlie\u00dfend von PhysikerInnen untersucht werden k\u00f6nnen, m\u00fcssen sie zun\u00e4chst f\u00fcr das menschliche Auge vorverarbeitet werden. Diese Vorverarbeitungskette wurde in der interdisziplin\u00e4ren Zusammenarbeit zwischen PhysikerInnen und InformatikerInnen entwickelt und verfeinert. Grunds\u00e4tzlich besteht eine solche Vorverarbeitungskette immer aus 4 Teilaufgaben, die sich im Rahmen des FACT Projekts in insgesamt 80 weitere Teilschritte aufgliedern:<\/p>\n\n\n\n
Kalibrierung:<\/b> Die 1.440 Sensoren des Teleskops reagieren empfindlich auf Umgebungsver\u00e4nderungen, zum Beispiel Temperaturschwankungen. Daher m\u00fcssen die Sensoren zun\u00e4chst entsprechend eingestellt werden, um konsistente Messungen unter verschiedenen Bedingungen zu erlangen.<\/p>\n\n\n\n
Bildbereinigung<\/b>: Etwaige Fehlmessungen des Teleskops, zum Beispiel durch besch\u00e4digte Sensoren sowie verrauschte Messungen, werden korrigiert und gegebenenfalls entfernt, um die Mindestg\u00fcte der Messdaten zu gew\u00e4hrleisten.<\/p>\n\n\n\n
Merkmalsextraktion:<\/b> Nach der Kalibrierung und Bereinigung der Daten k\u00f6nnen diese als Bilder dargestellt werden. Aus diesen Bildern werden dann f\u00fcr die nachfolgende Klassifikation physikalische Kenngr\u00f6\u00dfen, zum Beispiel die Gr\u00f6\u00dfe oder Dauer eines Schauers, extrahiert.<\/p>\n\n\n\n
Klassifikation:<\/b> Nachdem die physikalischen Eigenschaften extrahiert wurden, kann es zu einer Bewertung der aktuellen Aufnahme kommen. Zun\u00e4chst wird klassifiziert, ob der aufgenommene Schauer der Hintergrundstrahlung des Universums zuzuordnen ist, oder ob es sich dabei tats\u00e4chlich um einen Schauer handelt. Diese Aufgabe ist besonders anspruchsvoll, da lediglich eine von ca. 10.000 Aufnahmen einem Tscherenkowschauer zuzuordnen ist.<\/p>\n\n\n\n Das FACT Teleskop wird wie die meisten Teleskope auf entlegenen Bergen betrieben, um weitab von der Stadt einen ungetr\u00fcbten Blick auf das Universum zu werfen. Dies bedeutet konkret, dass sowohl die Energie als auch der Platz f\u00fcr die Teleskophardware begrenzt ist und nur selten eine stabile Kommunikationsverbindung zum Rechenzentrum besteht. Tats\u00e4chlich werden einige Teleskope so betrieben, dass die Rohdaten zun\u00e4chst auf Festplatten vor Ort gespeichert werden und dann periodisch im Abstand von ein paar Wochen durch Menschen abgeholt werden. Dieses Vorgehen verz\u00f6gert die Datenanalyse und erschwert es, das Teleskop zeitnah auf spannende Ereignisse am Himmel auszurichten, da diese wom\u00f6glich erst nach Wochen in den Daten entdeckt werden. Das Ziel der WissenschaftlerInnen von der TU Dortmund ist es daher, die Datenanalyse n\u00e4her an das Teleskop zu bringen und im Idealfall eine (Vor-)Analyse der Daten in Echtzeit direkt am Teleskop auszuf\u00fchren. Die Forschenden haben sich dazu entschieden, die langwierige Vorverarbeitungskette m\u00f6glichst zu umgehen und durch ein einzelnes Klassifikationsmodell zu ersetzen. Hierzu muss die entwickelte Methode gut mit den realen, eventuell verrauschten Messungen ohne <\/em>Vorverarbeitung umgehen k\u00f6nnen, gleichzeitig wenig Energie verbrauchen und mit der hohen Datenrate des FACT Teleskops Schritt halten k\u00f6nnen.<\/p>\n\n\n\n Die Arbeit der Forschenden konzentrierte sich zun\u00e4chst darauf, ein Modell zu finden, welches die hohe Datenrate am Teleskop verarbeiten kann und gleichzeitig robust gegen\u00fcber Fehlmessungen ist. Hierzu entschieden sich die Forschenden sogenannte Binarisierte Faltungsnetze (Binarized Convolutional Neural Networks) einzusetzen. Binarisierte Faltungsnetze sind eine besondere Form von Neuronalen Netzen zur Bilderkennung, die auf kleine, ressourcenarme Ger\u00e4te spezialisiert sind. Klassische Neuronale Netze verwenden reellwertige Gewichte, die \u00fcblicherweise als Gleitkommazahlen gespeichert werden und so eine hohe Anzahl von Gleitkommaoperationen f\u00fcr die Klassifikation ben\u00f6tigen. Gleitkommaoperationen ben\u00f6tigen sehr viel Rechenzeit und damit viel Energie, was sie ungeeignet f\u00fcr FACT macht. Binarisierte Neuronale Netze hingegen verwenden nur zwei verschiedene Gewichte \u201c-1\u201d oder \u201c+1\u201d, welche als ein einzelnes Bit gespeichert werden k\u00f6nnen. Damit kommen Binarisierte Neuronale Netze ohne jegliche Gleitkommaoperationen aus. Dies reduziert Rechenzeit und Energiebedarf deutlich. In einer Reihe von \u00fcber 1.100 Experimenten fanden die Forschenden schlie\u00dflich ein passendes Modell, welches schnell genug f\u00fcr die Anwendung bei FACT ist und sich gleichzeitig robust gegen\u00fcber Fehlmessungen verh\u00e4lt. Das so gefundene Modell erreicht sowohl auf Simulationsdaten als auch auf realen Daten des Krebsnebels eine bessere Performanz und ist um mehrere Gr\u00f6\u00dfenordnungen schneller als das klassische Vorgehen mit langwierigen Vorverarbeitungen.<\/p>\n\n\n\n Um das gefundene Modell anschlie\u00dfend am FACT Teleskop einzusetzen, haben die Forschenden ein Tool zur Erzeugung einer Hardwarebeschreibung f\u00fcr die Modelle entwickelt. Die Hardwarebeschreibung zeigt den Aufbau eines Computerchips, der spezifisch f\u00fcr das Ausf\u00fchren des Modells gebaut wird. Diese Beschreibung wird dann zun\u00e4chst in Software simuliert und getestet, um anschlie\u00dfend die entsprechende Hardware zu bauen. Zur Umsetzung der Hardware benutzen die Forscher sogenannte Field Programmable Gate Arrays<\/a> (FPGAs), welche beliebige Hardwarebeschreibungen akzeptieren und umsetzen. FPGAs lassen sich leicht in die Kamerasensorik des Teleskops integrieren und anschlie\u00dfend nachtr\u00e4glich (\u201cin the Field\u201d) mit der passenden Beschreibung programmieren. Durch dieses Vorgehen ist es m\u00f6glich, einen Gro\u00dfteil der Datenanalyse bereits in der Kamerasensorik einzubetten, wobei sie flexibel nachtr\u00e4glich mit neuen Beschreibungen ausgetauscht werden kann. Die Analyse kann so parallel in Echtzeit zur eigentlichen Messung erfolgen.<\/p>\n\n\n\n Die Arbeit der Forschenden liefert einen wichtigen Baustein in der Analyse astronomischer Daten und damit dem Verst\u00e4ndnis unseres Universums. Durch die verk\u00fcrzte Analysekette k\u00f6nnen die Teleskope in Echtzeit auf Ereignisse ausgerichtet werden und die Daten k\u00f6nnen sofort von PhysikerInnen analysiert werden. Die Tragweite dieser Arbeit geht jedoch noch \u00fcber die Physik hinaus und kann auch in anderen Bereichen unseres Alltages Anwendung finden. Denn: Die zugrundeliegende Technik ist weitgehend unabh\u00e4ngig von den Messdaten eines Teleskops. Sie l\u00e4sst sich zum Beispiel genauso auf medizinische Daten, wie R\u00f6ntgenbilder oder Bilder einer Magnetresonanztomographie (MRT) anwenden, sodass Patienten eine sofortige R\u00fcckmeldung zu Untersuchungsergebnissen erhalten k\u00f6nnen.<\/p>\n\n\n\n Mehr Informationen im zugeh\u00f6rigen Paper:<\/p>\n\n\n\n On-Site Gamma-Hadron Separation with Deep Learning on FPGAs<\/strong><\/p>\n\n\n\n Sebastian Buschj\u00e4ger, Lukas Pfahler, Jens Buss, Katharina Morik & Wolfgang Rhode. European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD), 2020 (Ver\u00f6ffentlichung noch ausstehend, Pr\u00e4sentation<\/a>).<\/p>\n","protected":false},"excerpt":{"rendered":" Gammastrahlung gibt Hinweise auf Vorg\u00e4nge im Weltall. Erstmalig ist es einem interdisziplin\u00e4ren Forscherteam der Informatik und Astrophysik an der TU Dortmund gelungen, die Analyse von Gammastrahlung in Echtzeit am Teleskop durchzuf\u00fchren.<\/p>\n","protected":false},"author":9,"featured_media":3921,"template":"","meta":{"_acf_changed":false,"footnotes":""},"blog-category":[1416,546],"blog-tag":[1450,1458,1480,1489,1527],"class_list":["post-4388","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-alle-blogbeitraege","blog-category-anwendung","blog-tag-astrophysik","blog-tag-convolutionale-neuronale-netze","blog-tag-deep-learning-de","blog-tag-fpga-de","blog-tag-ki-in-der-physik"],"acf":[],"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"_links":{"self":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/4388","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/types\/blog"}],"author":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/users\/9"}],"version-history":[{"count":0,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/4388\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media\/3921"}],"wp:attachment":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media?parent=4388"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-category?post=4388"},{"taxonomy":"blog-tag","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-tag?post=4388"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}![\"-](\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/\/Sebastian-Buschjaeger-Bild_V2-1-1024x478.png\" "\\"\\"")
Die klassische Verarbeitungskette der Messdaten im Rahmen von FACT. Die letzten drei Schritte sollen nun durch ein einheitliches Modell ersetzt werden.<\/figcaption><\/figure>\n\n\n\nZur \u00dcberwindung herausfordernder Infrastruktur<\/h2>\n\n\n\n
Gammastrahlenklassifikation mit Kleinen Ger\u00e4ten<\/h2>\n\n\n\n