Fast Neural Network Inference on FPGAs for Triggering on Long-Lived Particles at Colliders

要約

実験的な素粒子物理学では、さらなる調査のために対象となる衝突を効率的に保持できる、洗練されたトリガーおよび取得システムが必要です。
FPGA カードを使用したヘテロジニアス コンピューティングは、CERN で予定されている大型ハドロン衝突型加速器の高光度プログラムのトリガー戦略のトレンド テクノロジーとして浮上する可能性があります。
これに関連して、市販のザイリンクス FPGA アクセラレータ カードで加速した場合の精度と推論時間を研究する、検出器ボリューム内で中性長寿命粒子が崩壊するイベントを選択するための 2 つの機械学習アルゴリズムを紹介します。
推論時間は、CPU および GPU ベースのハードウェア設定にも影響します。
提案された新しいアルゴリズムは、検討されているベンチマーク物理シナリオに対して効率的であることが証明されており、FPGA カードで加速しても精度が低下しないことが判明しています。
結果は、テストされたすべてのアーキテクチャが第 2 レベルのトリガー ファームのレイテンシー要件内に収まっており、粒子物理衝突のリアルタイム処理にアクセラレータ技術を活用することは、特に機械学習に関して追加の調査に値する有望な研究分野であることを示しています。
多数のトレーニング可能なパラメータを持つモデル。

要約(オリジナル)

Experimental particle physics demands a sophisticated trigger and acquisition system capable to efficiently retain the collisions of interest for further investigation. Heterogeneous computing with the employment of FPGA cards may emerge as a trending technology for the triggering strategy of the upcoming high-luminosity program of the Large Hadron Collider at CERN. In this context, we present two machine-learning algorithms for selecting events where neutral long-lived particles decay within the detector volume studying their accuracy and inference time when accelerated on commercially available Xilinx FPGA accelerator cards. The inference time is also confronted with a CPU- and GPU-based hardware setup. The proposed new algorithms are proven efficient for the considered benchmark physics scenario and their accuracy is found to not degrade when accelerated on the FPGA cards. The results indicate that all tested architectures fit within the latency requirements of a second-level trigger farm and that exploiting accelerator technologies for real-time processing of particle-physics collisions is a promising research field that deserves additional investigations, in particular with machine-learning models with a large number of trainable parameters.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google