两瓦即可：通过边缘计算实现中微子望远镜探测器内实时机器学习
高能物理 - 实验
2023-11-10 v1 天体物理仪器与方法
摘要
机器学习技术的应用显著提升了中微子望远镜的物理发现潜力。在未来几年，我们预期现有探测器的升级以及配备新颖实验硬件的新望远镜，将带来更多统计量以及更复杂的数据信号。这要求在软件方面进行升级，以更高效的方式处理这些更复杂的数据。具体而言，我们寻求低功耗且快速的软件方法来实现实时信号处理，而当前的机器学习方法在资源受限的实验所在区域部署成本过高。我们提出了首次尝试并给出了概念验证，通过量化并在Google Edge张量处理单元（TPU）上部署，使机器学习方法能够部署于水/冰中微子望远镜的探测器内部。我们设计了一个带残差卷积嵌入的递归神经网络，并调整量化流程以将该算法部署于Google Edge TPU。该算法相比传统基于GPU的机器学习方案可达到相近的重建精度，同时功耗与基于CPU的回归方案相当，结合了高精度和低功耗优势，并能在最受限的功耗环境中实现探测器内实时机器学习。
引用
@article{arxiv.2311.04983,
title = {Two Watts is All You Need: Enabling In-Detector Real-Time Machine Learning for Neutrino Telescopes Via Edge Computing},
author = {Miaochen Jin and Yushi Hu and Carlos A. Argüelles},
journal= {arXiv preprint arXiv:2311.04983},
year = {2023}
}