FPGA中深度神经网络的快速推理及其在粒子物理中的应用
仪器与探测器
2020-06-18 v3 计算机视觉与模式识别
高能物理 - 实验
机器学习
摘要
大型强子对撞机（LHC）近期的结果表明，通过改进实时事件处理技术可增强物理能力。机器学习方法无处不在，并已被证明在LHC物理乃至整个粒子物理中非常强大。然而，在此类低延迟、低功耗FPGA硬件中的使用探索才刚刚开始。基于FPGA的触发与数据采集（DAQ）系统具有亚微秒级的极低延迟要求，这是粒子物理所独有的。我们提出了一个FPGA中神经网络推理的案例研究，重点关注喷注子结构分类器，该分类器将使得许多其他物理场景成为可能，包括对新暗 sector 粒子的搜索以及对希格斯玻色子的新颖测量。虽然我们聚焦于一个具体示例，但其经验具有广泛意义。我们开发了一个基于高层次综合（HLS）的名为hls4ml的软件包，用于在FPGA中构建机器学习模型。HLS的使用扩大了广大用户群体的可及性，并使得固件开发时间大幅缩短。我们绘制了FPGA资源占用与延迟相对于神经网络超参数的关系图，以识别粒子物理中哪些问题将受益于在FPGA中执行神经网络推理。对于我们示例中的喷注子结构模型，我们很好地适配了现代FPGA的可用资源，延迟在100 ns量级。
引用
@article{arxiv.1804.06913,
title = {Fast inference of deep neural networks in FPGAs for particle physics},
author = {Javier Duarte and Song Han and Philip Harris and Sergo Jindariani and Edward Kreinar and Benjamin Kreis and Jennifer Ngadiuba and Maurizio Pierini and Ryan Rivera and Nhan Tran and Zhenbin Wu},
journal= {arXiv preprint arXiv:1804.06913},
year = {2020}
}
备注
22 pages, 17 figures, 2 tables, JINST revision