論文の概要: Real-Time Plasma State Prediction via FPGA-Accelerated Quantized Recurrent Probabilistic Neural Networks

• arxiv url: http://arxiv.org/abs/2609.23141v1
• Date: Sat, 19 Sep 2026 17:17:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.68817
• Title: Real-Time Plasma State Prediction via FPGA-Accelerated Quantized Recurrent Probabilistic Neural Networks
• Title（参考訳）: FPGA加速量子化リカレント確率型ニューラルネットワークによるリアルタイムプラズマ状態予測
• Abstract要約: 本稿では、FPGAハードウェア上に繰り返し確率的ニューラルネットワーク(RPNN)をデプロイするためのエンドツーエンドワークフローを提案する。 アーキテクチャサイズ削減とQKerasによる量子化対応トレーニングを組み合わせる。 本報告では,4つのリソース予算(DSP, LUT, FF, BRAM)のすべてにおいて,決定論的サブ10$sの単一ステップレイテンシで快適に適合する設計を報告する。
• 参考スコア（独自算出の注目度）: 5.7766838452893365
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real time plasma state estimation for control of Tokamak devices are challenging due to the stringent latency requirements of the plasma control system (PCS). We present an end-to-end workflow for deploying a recurrent probabilistic neural network (RPNN) on FPGA hardware. We combine architecture size reduction with quantization-aware training via QKeras. The model is then synthesized using hls4ml, targeting a Xilinx Alveo U50 device. We report a design that fits comfortably within all four resource budgets (DSP, LUT, FF, BRAM) at deterministic sub-10~$μ$s single-timestep latency, meeting the requirements for real-time inference inside a model-predictive-control-style plasma control loop.
• Abstract（参考訳）: トカマク装置の制御におけるリアルタイムプラズマ状態推定は, プラズマ制御系(PCS)の厳しい遅延要求のため, 困難である。 本稿では、FPGAハードウェア上に繰り返し確率的ニューラルネットワーク(RPNN)をデプロイするためのエンドツーエンドワークフローを提案する。 アーキテクチャサイズ削減とQKerasによる量子化対応トレーニングを組み合わせる。 このモデルは、Xilinx Alveo U50デバイスをターゲットにしたhls4mlで合成される。 モデル予測制御型プラズマ制御ループ内でのリアルタイム推論の要件を満たすため、決定論的サブ10〜$μ$sの単一ステップレイテンシにおいて、4つのリソース予算(DSP, LUT, FF, BRAM)すべてに快適に適合する設計を報告する。

関連論文リスト

• NPU Accelerator: Quantized Real-Time Vehicle Detection on PYNQ-Z1 Using FINN [0.0]
  この作業は、量子化対応トレーニング(QAT)、軽量YOLO由来検出器、Brvitas/QONNXモデルエクスポート、FINNデータフローコンパイル、Vivado実装、ターゲットボード上の物理ベンチマークを組み合わせたハードウェア/ソフトウェア共同設計手法に従う。 その結果、低ビットQAT、アーキテクチャスリム化、FINN折り畳み、FIFO最適化、中程度のクロックスケーリングにより、小型のZynq FPGA上で実用的なリアルタイム検出器を共同で提供できることが判明した。
  論文  参考訳（メタデータ） (2026-09-21T15:26:19Z)
• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• Plasma Surrogate Modelling using Fourier Neural Operators [57.52074029826172]
  トカマク炉内のプラズマの進化を予測することは、持続可能な核融合の目標を実現するために不可欠である。 深層学習に基づく代理モデルツールviz., Neural Operators (FNO) を用いた進化プラズマの正確な予測を実証する。 我々は、FNOが磁気流体力学モデルからシミュレーションされたプラズマ力学を予測する際に、従来の解法よりも6桁の速度を持つことを示した。 FNOは、MASTトカマク内のカメラで観測された実世界の実験データに基づいて、プラズマの進化を予測することもできる。
  論文  参考訳（メタデータ） (2023-11-10T10:05:00Z)
• 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)
• 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)
• Fast convolutional neural networks on FPGAs with hls4ml [0.22756183402372013]
  FPGAに超低遅延低電力ディープニューラルネットワークをデプロイするための自動化ツールを紹介します。 最新のモデルパフォーマンスを維持しながら、畳み込みアーキテクチャを使用して5,mu$sの推論レイテンシを実現する方法をデモします。
  論文  参考訳（メタデータ） (2021-01-13T14:47:11Z)
• Fast inference of Boosted Decision Trees in FPGAs for particle physics [11.99846367249951]
  本稿では, hls4mlライブラリにおけるブースト決定木の実装について述べる。 完全なオンチップ実装のおかげで、hls4mlは極めて低レイテンシでBoosted Decision Treeモデルの推論を実行する。 このソリューションは、コライダー実験のLevel-1 TriggerシステムのようなFPGAベースのリアルタイム処理に適している。
  論文  参考訳（メタデータ） (2020-02-05T12:55:28Z)

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。