用于 FPGA 上带电粒子径迹重建的图神经网络

在欧洲核子研究中心大型强子对撞机（LHC）碰撞中确定带电粒子轨迹是一个重要但具有挑战性的问题，尤其是在 LHC 未来高亮度阶段（HL-LHC）预期的高相互作用密度条件下。图神经网络（GNNs）是一类几何深度学习算法，已成功应用于该任务：将跟踪器数据嵌入为图——节点表示击中，边表示可能的径迹段——并将边分类为真实或虚假的径迹段。然而，由于计算代价大，它们在基于硬件或软件的触发应用中的研究受到限制。在本文中，我们引入了一个自动化转换工作流，集成到名为 $\texttt{hls4ml}$ 的更广泛工具中，用于将 GNN 转换为现场可编程门阵列（FPGAs）的固件。我们使用该转换工具在 FPGA 上实现用于带电粒子跟踪的 GNN，使用 TrackML 挑战数据集训练，针对不同的图大小、任务复杂度和延迟/吞吐量需求进行设计。该工作可使得在 HL-LHC 实验的触发级别包含带电粒子跟踪 GNN 成为可能。