Low Latency Edge Classification GNN for Particle Trajectory Tracking on FPGAs

要約

大型ハドロン衝突型加速器での粒子軌道の時間内再構築は、衝突率が高く、多数の粒子が衝突するため、困難です。
FPGA 上で GNN (Graph Neural Network) を使用することで、柔軟な軌跡分類による優れた精度が可能になりました。
ただし、既存の GNN アーキテクチャでは、リソースの使用効率が低く、エッジ分類のための並列処理が不十分です。
この論文では、低遅延粒子追跡のための FPGA 上のリソース効率の高い GNN アーキテクチャを紹介します。
モジュラー アーキテクチャにより、大きなグラフをサポートするための設計の拡張性が容易になります。
ヒット検出器の幾何学的特性を活用することで、グラフの複雑さとリソースの使用量がさらに削減されます。
Xilinx UltraScale+ VU9P での結果は、CPU と GPU に対してそれぞれ 1625 倍と 1574 倍のパフォーマンス向上を示しています。

要約(オリジナル)

In-time particle trajectory reconstruction in the Large Hadron Collider is challenging due to the high collision rate and numerous particle hits. Using GNN (Graph Neural Network) on FPGA has enabled superior accuracy with flexible trajectory classification. However, existing GNN architectures have inefficient resource usage and insufficient parallelism for edge classification. This paper introduces a resource-efficient GNN architecture on FPGAs for low latency particle tracking. The modular architecture facilitates design scalability to support large graphs. Leveraging the geometric properties of hit detectors further reduces graph complexity and resource usage. Our results on Xilinx UltraScale+ VU9P demonstrate 1625x and 1574x performance improvement over CPU and GPU respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google