基于hls4ml在FPGA上实现物理应用超低延迟循环神经网络推理
机器学习
2022-07-04 v1 高能物理 - 实验
仪器与探测器
机器学习
摘要
循环神经网络已被证明是高能物理中许多任务的有效架构，因此被广泛采用。然而，由于在现场可编程门阵列（FPGAs）上实现循环架构的困难，其在低延迟环境中的使用受到限制。本文中，我们在hls4ml框架内实现了两类循环神经网络层——长短期记忆（LSTM）和门控循环单元（GRU）。我们证明我们的实现能够为小型和大型模型生成有效设计，并可定制以满足推理延迟和FPGA资源的特定设计要求。我们展示了多个神经网络的性能和综合设计，其中许多是专门为欧洲核子研究中心大型强子对撞机上的喷注识别任务训练的。
引用
@article{arxiv.2207.00559,
title = {Ultra-low latency recurrent neural network inference on FPGAs for physics applications with hls4ml},
author = {Elham E Khoda and Dylan Rankin and Rafael Teixeira de Lima and Philip Harris and Scott Hauck and Shih-Chieh Hsu and Michael Kagan and Vladimir Loncar and Chaitanya Paikara and Richa Rao and Sioni Summers and Caterina Vernieri and Aaron Wang},
journal= {arXiv preprint arXiv:2207.00559},
year = {2022}
}
备注
12 pages, 6 figures, 5 tables