論文の概要: Intelligent experiments through real-time AI: Fast Data Processing and Autonomous Detector Control for sPHENIX and future EIC detectors

• arxiv url: http://arxiv.org/abs/2501.04845v1
• Date: Wed, 08 Jan 2025 21:13:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-10 13:57:58.363763
• Title: Intelligent experiments through real-time AI: Fast Data Processing and Autonomous Detector Control for sPHENIX and future EIC detectors
• Title（参考訳）: リアルタイムAIによるインテリジェントな実験: sPHENIXと将来のEIC検出器のための高速データ処理と自律検出制御
• Authors: J. Kvapil, G. Borca-Tasciuc, H. Bossi, K. Chen, Y. Chen, Y. Corrales Morales, H. Da Costa, C. Da Silva, C. Dean, J. Durham, S. Fu, C. Hao, P. Harris, O. Hen, H. Jheng, Y. Lee, P. Li, X. Li, Y. Lin, M. X. Liu, V. Loncar, J. P. Mitrevski, A. Olvera, M. L. Purschke, J. S. Renck, G. Roland, J. Schambach, Z. Shi, N. Tran, N. Wuerfel, B. Xu, D. Yu, H. Zhang,
• Abstract要約: 我々は sPHENIX 実験追跡装置による高速データストリームのリアルタイム処理のための実証装置を開発した。 この手法は、高速度p+p衝突における低運動量希土類重フレーバー現象を効率的に同定する。 EICでは,リアルタイム識別のための人工知能-機械学習(AI-ML)アルゴリズムを用いたディスエレクトロタグを開発した。
• 参考スコア（独自算出の注目度）: 1.981222453919974
• License:
• Abstract: This R\&D project, initiated by the DOE Nuclear Physics AI-Machine Learning initiative in 2022, leverages AI to address data processing challenges in high-energy nuclear experiments (RHIC, LHC, and future EIC). Our focus is on developing a demonstrator for real-time processing of high-rate data streams from sPHENIX experiment tracking detectors. The limitations of a 15 kHz maximum trigger rate imposed by the calorimeters can be negated by intelligent use of streaming technology in the tracking system. The approach efficiently identifies low momentum rare heavy flavor events in high-rate p+p collisions (3MHz), using Graph Neural Network (GNN) and High Level Synthesis for Machine Learning (hls4ml). Success at sPHENIX promises immediate benefits, minimizing resources and accelerating the heavy-flavor measurements. The approach is transferable to other fields. For the EIC, we develop a DIS-electron tagger using Artificial Intelligence - Machine Learning (AI-ML) algorithms for real-time identification, showcasing the transformative potential of AI and FPGA technologies in high-energy nuclear and particle experiments real-time data processing pipelines.
• Abstract（参考訳）: 2022年にDOE Nuclear Physics AI-Machine Learningイニシアチブによって開始されたこのR\&Dプロジェクトは、高エネルギー核実験(RHIC、LHC、将来のEIC)におけるデータ処理の課題にAIを活用する。 我々の焦点は、sPHENIX実験追跡装置による高速データストリームのリアルタイム処理のための実証装置の開発である。 カロリーメータによって課される15kHzの最大トリガーレートの制限は、トラッキングシステムにおけるストリーミング技術のインテリジェントな利用によって無効化することができる。 この手法は、グラフニューラルネットワーク(GNN)と機械学習のためのハイレベル合成(hls4ml)を用いて、高速度p+p衝突(3MHz)における低運動量希少なヘヴィフレーバーイベントを効率的に同定する。 sPHENIXの成功は即時利益を約束し、資源を最小化し、重質な測定を加速させる。 アプローチは他のフィールドに転送可能である。 EICのために,人工知能 - 機械学習(AI-ML)アルゴリズムによるリアルタイム識別のためのディスエレクトロニックタグを開発し,高エネルギー核・粒子実験におけるAIおよびFPGA技術の変換可能性を示す。

関連論文リスト

• Analysis of Hardware Synthesis Strategies for Machine Learning in Collider Trigger and Data Acquisition [0.0]
  機械学習は、インテリジェントなデータ処理と取得のために検出器エレクトロニクスに実装することができる。 衝突時のリアルタイムMLの実装には、ソフトウェアベースのアプローチでは実現不可能な非常に低いレイテンシが必要です。 フィールドプログラマブルゲートアレイにおけるコライダートリガーアルゴリズムの適用に着目し,ニューラルネットワークの推論効率の解析を行った。
  論文  参考訳（メタデータ） (2024-11-18T15:59:30Z)
• FastSpiker: Enabling Fast Training for Spiking Neural Networks on Event-based Data through Learning Rate Enhancements for Autonomous Embedded Systems [5.59354286094951]
  FastSpikerは、学習率の強化を通じて、イベントベースのデータに対する高速SNNトレーニングを可能にする、新しい方法論である。 我々は、FastSpikerが最大10.5倍高速なトレーニング時間と88.39%低い二酸化炭素排出量を提供し、イベントベースの自動車データセットの最先端または同等の精度を達成することを示した。
  論文  参考訳（メタデータ） (2024-07-07T05:17:17Z)
• HyperSense: Hyperdimensional Intelligent Sensing for Energy-Efficient Sparse Data Processing [5.570372733437123]
  HyperSenseは、センサデータのオブジェクト存在予測に基づいて、ADCモジュールのデータ生成率を効率的に制御する。 HyperSense用に調整されたFPGAベースのドメイン固有アクセラレータは、NVIDIA Jetson OrinのYOLOv4と比較して5.6倍のスピードアップを実現しています。
  論文  参考訳（メタデータ） (2024-01-04T01:12:33Z)
• Random resistive memory-based deep extreme point learning machine for unified visual processing [67.51600474104171]
  ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。 我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
  論文  参考訳（メタデータ） (2023-12-14T09:46:16Z)
• 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)
• Deep Reinforcement Learning Assisted Federated Learning Algorithm for Data Management of IIoT [82.33080550378068]
  産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。 IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。 本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
  論文  参考訳（メタデータ） (2022-02-03T07:12:36Z)
• An Automated Data Engineering Pipeline for Anomaly Detection of IoT Sensor Data [0.0]
  チップ技術、IoT(Internet of Things)、クラウドコンピューティング、人工知能といったシステムが、現在の問題を解決する可能性を高めている。 データ分析と機械学習/ディープラーニングの使用により、基盤となるパターンを学習し、IoTセンサから生成された大量のデータから何を学んだかに基づいて決定することができる。 プロセスにはIoTセンサ、Raspberry Pi、Amazon Web Services(AWS)、スマートホームセキュリティシステムの異常なケースを特定するための複数の機械学習技術の使用が含まれる。
  論文  参考訳（メタデータ） (2021-09-28T15:57:29Z)
• Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
  本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。 提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
  論文  参考訳（メタデータ） (2021-06-02T07:36:27Z)
• 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)
• Temporal Pulses Driven Spiking Neural Network for Fast Object Recognition in Autonomous Driving [65.36115045035903]
  スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。 各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
  論文  参考訳（メタデータ） (2020-01-24T22:58:55Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。