تستخدم مختبرات سيرن الآن نماذج ذكاء اصطناعي مصغرة ومدمجة فعلياً داخل شرائح السيليكون لمعالجة فائقة السرعة للبيانات الهائلة الناتجة عن مصادم الهادرونات الكبير في جنيف. يولّد المصادم حوالي 40 ألف إكسابايت من البيانات الخام سنوياً، وهو ما يعادل ربع حجم الإنترنت الحالي، حيث تصل سرعات تدفق البيانات أثناء فترات الذروة إلى مئات التيرابايتات في الثانية. ومع استحالة تخزين هذه الكتلة الضخمة أو معالجتها بأنظمة الحاسوب التقليدية، اضطر العلماء لاتخاذ قرارات لحظية لتحديد الأحداث العلمية القيمة فقط وإسقاط الباقي للأبد. لتحقيق هذا الهدف، ابتعد سيرن عن المعماريات التقليدية المعتمدة على وحدات معالجة الرسوميات أو المعالجات المتخصصة العامة، وركّز بدلاً من ذلك على نماذج ذكاء اصطناعي مصغرة ومثالية للغاية، يتم دمجها مباشرة في شرائح مخصصة مثل مصفوفات البوابات القابلة للبرمجة والمخططات المتكاملة المخصصة للتطبيق. تسمح هذه الأنظمة المدعومة بالسيليكون بإجراء استنتاجات فائقة السرعة في أجزاء من الميكروثانية أو حتى النانوثانية داخل أجهزة الكشف نفسها. تتضمن التحديات الكبيرة داخل حلقة المصادم التي يبلغ طولها 27 كيلومترًا اصطدام البروتونات بسرعة تقترب من سرعة الضوء كل 25 نانوثانية. ورغم أن مليارات البروتونات تعبر بعضها البعض، إلا أن التصادمات الصلبة نادرة. عندما يحدث ذلك، تلتقط الكواشف ملايين البيانات الخام التي يجب تصفيتها فوراً. في المرحلة الأولى من التصفية المعروفة بمستوى المحفز الأولي، تقوم حوالي ألف شريحة حاسوبية بتقييم البيانات في أقل من 50 نانوثانية باستخدام خوارزمية متخصصة تعمل مباشرة على الشرائح، مما يضمن الاحتفاظ بنسبة ضئيلة للغاية تبلغ 0.02% من الأحداث فقط للمزيد من التحليل العلمي. تعتمد منهجية سيرن على أدوات مفتوحة المصدر مثل HLS4ML لتحويل نماذج التعلم الآلي المكتوبة بلغة بايثون أو تينسورفلو إلى كود قابل للتنفيذ على الشرائح. يميز هذا النهج استخدام موارد الشريحة لبناء جداول بحث مسبقة الحساب بدلاً من تنفيذ عمليات حسابية معقدة، مما يتيح ردود فعل فورية لمعظم إشارات الكاشف دون الحاجة لحسابات عائمة مكثفة. وتعمل المرحلة الثانية من التصفية على مزرعة حوسبة سطحية ضخمة تضم آلاف المعالجات ووحدات المعالجة الرسومية، لخفض البيانات من تيرابايتات إلى بيتابايت واحد يوميًا قابل للتخزين. مع التخطيط لترقية المصادم إلى إصدار فائق السطوع بحلول عام 2031، والذي سيزيد حجم البيانات عشرة أضعاف، يعمل سيرن بالفعل على تطوير نماذج ذكاء اصطناعي أحدث وأكثر كفاءة لضمان استمرارية عمليات الكشف العلمي. يمثل هذا العمل نموذجاً عملياً لـ"الذكاء الاصطناعي الصغير" الذي يتجاهل اتجاه الصناعة نحو تكبير النماذج، ويركز بدلاً من ذلك على الصغر والسرعة والكفاءة في التطبيقات ذات الزمن الحقيقي. وقد يفتح هذا النهج آفاقاً جديدة لقطاعات أخرى مثل السيارات ذاتية القيادة والتداول المالي عالي التردد والتصوير الطبي، التي تتطلب معالجة فائقة السرعة وبتكلفة طاقة منخفضة تحت ضغوط بيانات هائلة.