論文の概要: Firmware implementation of a recurrent neural network for the
computation of the energy deposited in the liquid argon calorimeter of the
ATLAS experiment
- arxiv url: http://arxiv.org/abs/2302.07555v2
- Date: Wed, 17 May 2023 08:24:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-18 20:08:33.524318
- Title: Firmware implementation of a recurrent neural network for the
computation of the energy deposited in the liquid argon calorimeter of the
ATLAS experiment
- Title（参考訳）: ATLAS実験における液体アルゴンカロリー計に蓄積されたエネルギーの計算のためのリカレントニューラルネットワークのファームウェア実装
- Authors: Georges Aad, Thomas Calvet, Nemer Chiedde, Robert Faure, Etienne Marie
Fortin, Lauri Laatu, Emmanuel Monnier, Nairit Sur
- Abstract要約: ATLAS検出器はLHCの高輝度化に先立って大幅にアップグレードされる。
ATLAS液体アルゴンカロリー計は、検出器内で電磁的に相互作用する粒子のエネルギーを測定する。
本稿では,RNN(Recurrent Neural Network)の実装について述べる。
- 参考スコア（独自算出の注目度）: 1.1343136452430205
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The ATLAS experiment measures the properties of particles that are products
of proton-proton collisions at the LHC. The ATLAS detector will undergo a major
upgrade before the high luminosity phase of the LHC. The ATLAS liquid argon
calorimeter measures the energy of particles interacting electromagnetically in
the detector. The readout electronics of this calorimeter will be replaced
during the aforementioned ATLAS upgrade. The new electronic boards will be
based on state-of-the-art field-programmable gate arrays (FPGA) from Intel
allowing the implementation of neural networks embedded in firmware. Neural
networks have been shown to outperform the current optimal filtering algorithms
used to compute the energy deposited in the calorimeter. This article presents
the implementation of a recurrent neural network (RNN) allowing the
reconstruction of the energy deposited in the calorimeter on Stratix 10 FPGAs.
The implementation in high level synthesis (HLS) language allowed fast
prototyping but fell short of meeting the stringent requirements in terms of
resource usage and latency. Further optimisations in Very High-Speed Integrated
Circuit Hardware Description Language (VHDL) allowed fulfilment of the
requirements of processing 384 channels per FPGA with a latency smaller than
125 ns.
- Abstract（参考訳）: ATLAS実験は、LHCにおける陽子-陽子衝突の産物である粒子の特性を測定する。
ATLAS検出器はLHCの高輝度化に先立って大幅にアップグレードされる。
ATLAS液体アルゴンカロリー計は検出器内で電磁的に相互作用する粒子のエネルギーを測定する。
このカロリー計の読み出し電子機器は、前述のATLASアップグレード中に交換される。
新しい電子ボードは、ファームウェアに埋め込まれたニューラルネットワークの実装を可能にするIntelの最先端のフィールドプログラマブルゲートアレイ(FPGA)に基づいている。
ニューラルネットワークは、カロリメータに蓄積されるエネルギーを計算するのに使用される現在の最適フィルタリングアルゴリズムよりも優れていることが示されている。
本稿では,ストラティックス10fpga上の熱量計に蓄積されるエネルギーの再構成を可能にするリカレントニューラルネットワーク(recurrent neural network, rnn)の実装について述べる。
高レベル合成(hls)言語の実装は高速プロトタイピングを可能にしたが、リソース使用量とレイテンシの面では厳しい要件を満たすには至らなかった。
超高速集積回路ハードウェア記述言語(VHDL)のさらなる最適化により、125 ns未満のレイテンシでFPGA当たりの384チャンネルの処理要求を満たすことができた。
関連論文リスト
- Analog Spiking Neuron in CMOS 28 nm Towards Large-Scale Neuromorphic Processors [0.8426358786287627]
本研究では,TSMCの28nmCMOS技術を用いた低消費電力Leaky Integrate- and-Fireニューロンの設計を提案する。
製造されたニューロンは1.61 fJ/スパイクを消費し、34$mu m2$の活性領域を占有し、最大スパイク周波数は250mVで300kHzである。
論文 参考訳（メタデータ） (2024-08-14T17:51:20Z) - Embedded FPGA Developments in 130nm and 28nm CMOS for Machine Learning in Particle Detector Readout [0.7367855181841242]
フィールドプログラマブルゲートアレイ(eFPGA)技術は、アプリケーション固有の集積回路(ASIC)の設計における再構成可能なロジックの実装を可能にする
FABulous"と呼ばれるオープンソースのフレームワークは、130nmと28nmのCMOS技術ノードを用いたeFPGAの設計に使用された。
ソースにおけるセンサデータの削減のために設計された機械学習ベースの分類器を合成し、eFPGA上に構成した。
論文 参考訳（メタデータ） (2024-04-26T20:59:23Z) - Lowering the Exponential Wall: Accelerating High-Entropy Alloy Catalysts Screening using Local Surface Energy Descriptors from Neural Network Potentials [0.0]
本研究では, 単金属系からのデータを用いたHEA特性の迅速予測法を提案する。
我々は古典機械学習と量子機械学習の両方を用いて高精度モデルを開発した。
提案手法は, HEA化学空間の探索を加速し, 新規触媒の設計を容易にする。
論文 参考訳（メタデータ） (2024-04-12T11:54:06Z) - 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) - ETLP: Event-based Three-factor Local Plasticity for online learning with
neuromorphic hardware [105.54048699217668]
イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。
また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
論文 参考訳（メタデータ） (2023-01-19T19:45:42Z) - Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる
本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。
その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
論文 参考訳（メタデータ） (2022-09-01T17:08:41Z) - Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern
Recognition on Neuromorphic Hardware [50.380319968947035]
近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。
文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。
フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。
LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
論文 参考訳（メタデータ） (2022-05-30T14:30:45Z) - Single-Shot Optical Neural Network [55.41644538483948]
深層ニューラルネットワークに必要な計算資源を削減するために,「重定常」アナログ光学・電子ハードウェアが提案されている。
我々は、スケーラブルで1層当たり単発の重み付き光学プロセッサを提案する。
論文 参考訳（メタデータ） (2022-05-18T17:49:49Z) - A reconfigurable neural network ASIC for detector front-end data
compression at the HL-LHC [0.40690419770123604]
ニューラルネットワークのオートエンコーダモデルを放射線耐性ASICに実装して、損失のあるデータ圧縮を行うことができる。
これは、粒子物理学アプリケーション用に設計されたニューラルネットワークの耐放射線性オンディテクタASIC実装である。
論文 参考訳（メタデータ） (2021-05-04T18:06:23Z) - Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。
数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。
我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
論文 参考訳（メタデータ） (2020-06-02T23:38:35Z)
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。