加速用于引力波实验的循环神经网络
机器学习
2021-10-11 v1 硬件体系结构
仪器与探测器
摘要
本文提出新颖的可重构架构，用于降低用于检测引力波的循环神经网络（RNNs）的延迟。诸如LIGO探测器等引力干涉仪捕获黑洞合并等发生在未知时刻且持续时间各异的宇宙事件，产生时间序列数据。我们开发了一种新架构，能够加速RNN推理以分析来自LIGO探测器的时间序列数据。该架构基于优化多层LSTM（长短期记忆）网络中的启动间隔（II），通过为每层确定适当的复用因子。已设计该架构的可定制模板，可使用高层综合工具生成具有高效资源利用率的低延迟FPGA设计。所提方法已基于两个LSTM模型进行评估，目标器件为ZYNQ 7045 FPGA和U250 FPGA。实验结果表明，在平衡II的情况下，DSP数量最多可减少42%，同时达到相同的II。与其他基于FPGA的LSTM设计相比，我们的设计可实现约4.92至12.4倍的更低延迟。
引用
@article{arxiv.2106.14089,
title = {Accelerating Recurrent Neural Networks for Gravitational Wave Experiments},
author = {Zhiqiang Que and Erwei Wang and Umar Marikar and Eric Moreno and Jennifer Ngadiuba and Hamza Javed and Bartłomiej Borzyszkowski and Thea Aarrestad and Vladimir Loncar and Sioni Summers and Maurizio Pierini and Peter Y Cheung and Wayne Luk},
journal= {arXiv preprint arXiv:2106.14089},
year = {2021}
}
备注
Accepted at the 2021 32nd IEEE International Conference on Application-specific Systems, Architectures and Processors (ASAP)