Fugu-MT 論文翻訳(概要): Graph Neural Networks for Charged Particle Tracking on FPGAs

論文の概要: Graph Neural Networks for Charged Particle Tracking on FPGAs

arxiv url: http://arxiv.org/abs/2112.02048v1
Date: Fri, 3 Dec 2021 17:56:10 GMT
ステータス: 処理完了
システム内更新日: 2021-12-06 15:21:50.307282
Title: Graph Neural Networks for Charged Particle Tracking on FPGAs
Title（参考訳）: fpga上の荷電粒子追跡のためのグラフニューラルネットワーク
Authors: Abdelrahman Elabd and Vesal Razavimaleki and Shi-Yu Huang and Javier Duarte and Markus Atkinson and Gage DeZoort and Peter Elmer and Jin-Xuan Hu and Shih-Chieh Hsu and Bo-Cheng Lai and Mark Neubauer and Isobel Ojalvo and Savannah Thais
Abstract要約: CERN大型ハドロン衝突型加速器(LHC)における衝突時の荷電粒子軌道の決定は重要な問題であるが難しい問題である。グラフニューラルネットワーク(GNN)は、幾何学的なディープラーニングアルゴリズムの一種であり、このタスクにうまく適用されている。我々は、GNNをフィールドプログラマブルゲートアレイ(FPGA)のためのファームウェアに変換するための、$textthls4ml$と呼ばれるより広範なツールに統合された自動翻訳ワークフローを導入する。
参考スコア（独自算出の注目度）: 2.6402980149746913
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The determination of charged particle trajectories in collisions at the CERN Large Hadron Collider (LHC) is an important but challenging problem, especially in the high interaction density conditions expected during the future high-luminosity phase of the LHC (HL-LHC). Graph neural networks (GNNs) are a type of geometric deep learning algorithm that has successfully been applied to this task by embedding tracker data as a graph -- nodes represent hits, while edges represent possible track segments -- and classifying the edges as true or fake track segments. However, their study in hardware- or software-based trigger applications has been limited due to their large computational cost. In this paper, we introduce an automated translation workflow, integrated into a broader tool called $\texttt{hls4ml}$, for converting GNNs into firmware for field-programmable gate arrays (FPGAs). We use this translation tool to implement GNNs for charged particle tracking, trained using the TrackML challenge dataset, on FPGAs with designs targeting different graph sizes, task complexites, and latency/throughput requirements. This work could enable the inclusion of charged particle tracking GNNs at the trigger level for HL-LHC experiments.
Abstract（参考訳）: CERN大型ハドロン衝突型加速器(LHC)の衝突における荷電粒子軌道の決定は、特に将来のLHC(HL-LHC)の高光度相で期待される高相互作用密度条件において重要であるが難しい問題である。グラフニューラルネットワーク(GNN)は、トラックデータをグラフとして埋め込み -- ノードがヒットを示し、エッジがトラックセグメントを表す -- を表現し、エッジを真または偽のトラックセグメントとして分類することで、このタスクにうまく適用された幾何学的ディープラーニングアルゴリズムの一種である。しかしながら、ハードウェアやソフトウェアベースのトリガーアプリケーションの研究は、計算コストが大きいために制限されている。本稿では,GNNをフィールドプログラマブルゲートアレイ(FPGA)のファームウェアに変換するための,より広範なツールである$\texttt{hls4ml}$に統合した自動翻訳ワークフローを提案する。 trackml challengeデータセットを使用してトレーニングされたgnnを、異なるグラフサイズ、タスク複雑度、レイテンシ/スループット要件をターゲットとした設計でfpga上に実装する。この研究により、HL-LHC実験のための荷電粒子追跡GNNをトリガーレベルに含めることができる。

関連論文リスト

Spatio-Spectral Graph Neural Networks [50.277959544420455]
比スペクトルグラフネットワーク(S$2$GNN)を提案する。 S$2$GNNは空間的およびスペクトル的にパラメータ化されたグラフフィルタを組み合わせる。 S$2$GNNsは、MPGNNsよりも厳密な近似理論誤差境界を生じる。
論文参考訳（メタデータ） (2024-05-29T14:28:08Z)
Low Latency Edge Classification GNN for Particle Trajectory Tracking on FPGAs [10.146819379097249]
本稿では,低レイテンシ粒子追跡のためのFPGA上での資源効率のよいGNNアーキテクチャを提案する。 Xilinx UltraScale+VU9Pの結果は,CPUとGPUでそれぞれ1625倍,GPUで1574倍の性能向上を示した。
論文参考訳（メタデータ） (2023-06-20T06:57:24Z)
End-to-end codesign of Hessian-aware quantized neural networks for FPGAs and ASICs [49.358119307844035]
我々は、共設計ニューラルネットワーク(NN)のトレーニングと実装のためのエンドツーエンドワークフローを開発する。これにより、ハードウェアにおける効率的なNN実装が、非専門家に、単一のオープンソースワークフローでアクセスできるようになる。大型ハドロン衝突型加速器(LHC)の40MHz衝突速度で動作しなければならないトリガー決定を含む粒子物理学アプリケーションにおけるワークフローを実演する。シミュレーションLHC陽子-陽子衝突における高速粒子ジェット用混合精度NNを実装した。
論文参考訳（メタデータ） (2023-04-13T18:00:01Z)
Charged particle tracking via edge-classifying interaction networks [0.0]
本研究では, HL-LHCで期待される高ピーク条件下での荷電粒子追跡問題に対して, 物理学的動機付き相互作用ネットワーク(IN) GNNを適用した。我々は、GNNに基づくトラッキングの各段階での一連の測定を通して、INの優れたエッジ分類精度と追跡効率を実証する。提案したINアーキテクチャは,従来研究されていたGNNトラッキングアーキテクチャよりも大幅に小さく,制約のある計算環境においてGNNベースのトラッキングを実現する上で重要なサイズ削減である。
論文参考訳（メタデータ） (2021-03-30T21:58:52Z)
Instance Segmentation GNNs for One-Shot Conformal Tracking at the LHC [0.0]
グラフニューラルネットワーク(GNN)は、標準的なインスタンスセグメンテーションタスクで有望なパフォーマンスを示している。従来のカルテス宇宙アプローチをトラックファインディングに再想像し、代わりにGNNがトラックを特定し、単一のショットでパラメータを抽出できるコンフォーマルジオメトリで作業します。
論文参考訳（メタデータ） (2021-03-11T07:15:55Z)
A Unified Lottery Ticket Hypothesis for Graph Neural Networks [82.31087406264437]
本稿では,グラフ隣接行列とモデルの重み付けを同時に行う統一GNNスペーシフィケーション(UGS)フレームワークを提案する。グラフ宝くじ(GLT)をコアサブデータセットとスパースサブネットワークのペアとして定義することにより、人気のある宝くじチケット仮説を初めてGNNsにさらに一般化します。
論文参考訳（メタデータ） (2021-02-12T21:52:43Z)
Learning to Drop: Robust Graph Neural Network via Topological Denoising [50.81722989898142]
グラフニューラルネットワーク(GNN)のロバスト性および一般化性能を向上させるために,パラメータ化トポロジカルデノイングネットワークであるPTDNetを提案する。 PTDNetは、パラメータ化されたネットワークでスパーシファイドグラフ内のエッジ数をペナル化することで、タスク非関連エッジを創出する。 PTDNetはGNNの性能を著しく向上させ,さらにノイズの多いデータセットでは性能が向上することを示す。
論文参考訳（メタデータ） (2020-11-13T18:53:21Z)
Learning to Execute Programs with Instruction Pointer Attention Graph Neural Networks [55.98291376393561]
グラフニューラルネットワーク(GNN)は、ソフトウェアエンジニアリングタスクを学習するための強力なツールとして登場した。リカレントニューラルネットワーク(RNN)は、長いシーケンシャルな推論の連鎖に適しているが、プログラム構造を自然に組み込んでいるわけではない。本稿では,新しいGNNアーキテクチャ,IPA-GNN(Instruction Pointer Attention Graph Neural Networks)を導入する。
論文参考訳（メタデータ） (2020-10-23T19:12:30Z)
Distance-Weighted Graph Neural Networks on FPGAs for Real-Time Particle Reconstruction in High Energy Physics [11.125632758828266]
FPGA上で1$mumathrms未満のレイテンシで実行できる距離重み付きグラフネットワークの設計方法について論じる。本研究では,粒子衝突型加速器で動作する次世代熱量計における粒子の再構成と同定に関連する代表的課題について考察する。我々は、圧縮されたモデルをファームウェアに変換し、FPGA上で実装する。
論文参考訳（メタデータ） (2020-08-08T21:26:31Z)
Track Seeding and Labelling with Embedded-space Graph Neural Networks [3.5236955190576693]
Exa.TrkXプロジェクトは、粒子トラック再構築のための機械学習アプローチを調査している。これらのソリューションで最も有望なのは、グラフニューラルネットワーク(GNN)で、トラック計測を接続するグラフとしてイベントを処理する。この課題に対する最先端アーキテクチャの更新について報告する。
論文参考訳（メタデータ） (2020-06-30T23:43:28Z)
Graph Neural Networks for Motion Planning [108.51253840181677]
低次元問題に対する高密度固定グラフ上のGNNと高次元問題に対するサンプリングベースGNNの2つの手法を提案する。 RRT(Rapidly-Exploring Random Trees)におけるクリティカルノードの特定やサンプリング分布の学習といった計画上の問題にGNNが取り組む能力について検討する。臨界サンプリング、振り子、6つのDoFロボットアームによる実験では、GNNは従来の分析手法の改善だけでなく、完全に接続されたニューラルネットワークや畳み込みニューラルネットワークを用いた学習アプローチも示している。
論文参考訳（メタデータ） (2020-06-11T08:19:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。