可重构计算挑战：面向大规模科学的实时图神经网络用于在线事件选择
硬件体系结构
2026-05-12 v1 机器学习
摘要
图神经网络日益被采用于射流探测器的触发系统中，其中严格的时延和吞吐量约束使其在嵌入式平台上部署具有挑战性。随着探测器向更高细节化发展，每个推理的输入数量不断增加，FPGA-only 解决方案面临资源瓶颈。本工作present了一个用于 Belle II 电磁热浴硬件触发器在 AMD Versal VCK190 上实现图神经网络的实时部署的端到端 demonstrator，同时利用 FPGA 构件和 AI Engine 瓷片。我们开发了覆盖算子融合、分区、映射、空间并行化和内核级优化的基于 Python 的半自动化设计流程。我们的设计在端到端时延为 7.15 微秒的情况下实现了 294 万事件/秒的吞吐量。相较于 FPGA-only 基线，这相当于吞吐量提升了 53%，同时将 DSP 利用率从 99% 降至 19%，AI Engine 瓷片利用率为 29%。为验证部署，交互式可视化管道使对物理 demonstrator 上推理结果的实时监控成为可能。
引用
@article{arxiv.2605.10612,
title = {Reconfigurable Computing Challenge: Real-Time Graph Neural Networks for Online Event Selection in Big Science},
author = {Marc Neu and Frank Baptist and Thomas Lobmaier and Fabio Papagno and Torben Ferber and Jürgen Becker},
journal= {arXiv preprint arXiv:2605.10612},
year = {2026}
}
备注
Accepted to FCCM Reconfigurable Computing Challenge 2026