論文の概要: Low Latency Edge Classification GNN for Particle Trajectory Tracking on FPGAs

• arxiv url: http://arxiv.org/abs/2306.11330v1
• Date: Tue, 20 Jun 2023 06:57:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-22 16:33:32.578001
• Title: Low Latency Edge Classification GNN for Particle Trajectory Tracking on FPGAs
• Title（参考訳）: FPGAを用いた粒子軌道追跡のための低レイテンシエッジ分類GNN
• Authors: Shi-Yu Huang, Yun-Chen Yang, Yu-Ru Su, Bo-Cheng Lai, Javier Duarte, Scott Hauck, Shih-Chieh Hsu, Jin-Xuan Hu, Mark S. Neubauer
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 10.146819379097249
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: 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.
• Abstract（参考訳）: 大型ハドロン衝突型加速器のリアルタイム粒子軌道再構成は、高い衝突速度と多数の粒子衝突のため困難である。 FPGA上でGNN(Graph Neural Network)を用いることで、柔軟な軌道分類が可能になった。 しかし、既存のgnnアーキテクチャはリソースの使用効率が悪く、エッジ分類の並列性が不十分である。 本稿では,低遅延粒子追跡のためのFPGAにおける資源効率のよいGNNアーキテクチャを提案する。 モジュラーアーキテクチャは、大きなグラフをサポートする設計のスケーラビリティを促進する。 ヒット検出器の幾何学的性質を活用することで、グラフの複雑さとリソース使用量はさらに削減される。 Xilinx UltraScale+VU9Pの結果,CPUとGPUでそれぞれ1625倍,GPUで1574倍の性能向上を示した。

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)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• GNNHLS: Evaluating Graph Neural Network Inference via High-Level Synthesis [8.036399595635034]
  HLSによるFPGA上でのGNN推論高速化を包括的に評価するオープンソースフレームワークであるGNNHLSを提案する。 異なるトポロジとスケールを持つ4つのグラフデータセット上でGNNHLSを評価する。 GNNHLSはCPUベースラインに対して最大50.8倍のスピードアップと423倍のエネルギー削減を実現している。
  論文  参考訳（メタデータ） (2023-09-27T20:58:33Z)
• DGNN-Booster: A Generic FPGA Accelerator Framework For Dynamic Graph Neural Network Inference [2.2721856484014373]
  実時間DGNN推論のための新しいFPGAアクセラレーションフレームワークであるDGNN-Boosterを提案する。 DGNN-Boosterは、CPUベースライン(6226R)と比較して最大5.6倍、GPUベースライン(A6000)に比べて8.4倍、FPGAベースライン(2.1倍)の高速化を実現する。
  論文  参考訳（メタデータ） (2023-04-13T21:50:23Z)
• A Comprehensive Study on Large-Scale Graph Training: Benchmarking and Rethinking [124.21408098724551]
  グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である 本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。 提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
  論文  参考訳（メタデータ） (2022-10-14T03:43:05Z)
• LL-GNN: Low Latency Graph Neural Networks on FPGAs for High Energy Physics [45.666822327616046]
  本研究は,粒子検出器のための低グラフニューラルネットワーク(LL-GNN)設計のための新しい再構成可能なアーキテクチャを提案する。 LL-GNNの設計は、洗練されたアルゴリズムが実験データを効率的に処理できるようにすることで、次世代のトリガーシステムを進化させる。
  論文  参考訳（メタデータ） (2022-09-28T12:55:35Z)
• Graph Neural Networks for Charged Particle Tracking on FPGAs [2.6402980149746913]
  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。
  論文  参考訳（メタデータ） (2021-12-03T17:56:10Z)
• BlockGNN: Towards Efficient GNN Acceleration Using Block-Circulant Weight Matrices [9.406007544032848]
  グラフニューラルネットワーク(GNN)は、非ユークリッドグラフデータを分析するための最先端のアルゴリズムです。 リアルタイムにGNNを推論する方法は、リソース制限のあるエッジコンピューティングプラットフォームでは難しい問題となっている。 効率的なGNN加速を実現するソフトウェアハードウェアの共同設計手法であるBlockGNNを提案する。
  論文  参考訳（メタデータ） (2021-04-13T14:09:22Z)
• 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)
• Fast Graph Attention Networks Using Effective Resistance Based Graph Sparsification [70.50751397870972]
  FastGATは、スペクトルスペーシフィケーションを用いて、注目に基づくGNNを軽量にし、入力グラフの最適プルーニングを生成する手法である。 我々は,ノード分類タスクのための大規模実世界のグラフデータセット上でFastGATを実験的に評価した。
  論文  参考訳（メタデータ） (2020-06-15T22:07:54Z)

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。