hls4ml
PulseAugur coverage of hls4ml — every cluster mentioning hls4ml across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
New hls4ml backend enables ML on radiation-hard FPGAs for physics experiments
研究人员为hls4ml工具开发了一个新的后端，使得在抗辐射FPGA上使用机器学习模型成为可能。这一进展通过一个为LHCb Upgrade II实验中的PicoCal量热计设计的轻量级自编码器得到证明。该系统实现了25纳秒的延迟，并仅使用了最少的FPGA资源，为高辐射环境中的ML应用铺平了道路。
-
AI探测器用于超导量子比特电荷跳变，实现实时控制
研究人员开发了一种新颖的超导量子比特电荷跳变在线探测器，采用了扩张因果卷积神经网络（DCCNN）。这种新方法可部署在量子仪器控制套件（QICK）平台上，与现有的离线检测技术相比，显著降低了延迟。DCCNN在费米实验室西北地下实验场地（NEXUS）的数据上进行训练，实现了每推理6.19微秒的延迟，并能达到传统方法的探测效率，从而能够实现实时纠错和新颖的量子传感应用。
-
hls4ml 扩展支持在 FPGA 上部署脉冲神经网络
研究人员开发了 hls4ml 工具包的扩展，以支持在现场可编程门阵列 (FPGA) 上部署脉冲神经网络 (SNN)。这项新功能允许对在 PyTorch 中训练的 SNN 进行时钟驱动的推理，提供低延迟的时间处理。该系统在量化 SNN 上展示了大约 34 微秒的推理时间，为实时应用的 SNN 模型进行了简化优化和部署铺平了道路。
-
SNAC-Pack 自动化 FPGA 的神经架构搜索
研究人员开发了 SNAC-Pack，这是一个开源框架，旨在自动化专门用于 FPGA 的神经架构搜索 (NAS) 过程。该软件包通过考虑简单的准确性或代理指标之外的多维硬件预算，解决了现有 NAS 方法的局限性。SNAC-Pack 采用多目标全局搜索和硬件代理模型来估算资源利用率和延迟，从而显著减少了 FPGA 部署所需的时间和精力。
-
新型SNAC-Pack为FPGA自动化神经架构协同设计
研究人员开发了SNAC-Pack，这是一个开源框架，旨在自动化神经架构的协同设计及其在FPGA上的部署。该软件包采用多目标全局搜索策略，并结合硬件代理模型来估算资源使用和延迟，从而在搜索过程中避免昂贵的综合。SNAC-Pack已被证明在发现用于大型强子对撞机中的喷流分类和超导量子比特读出等任务的紧凑型架构方面非常有效，显著缩短了设计探索时间，同时保持或提高了性能。
-
新的HGQ-LUT和da4ml方法加速DNN训练和FPGA部署
研究人员开发了HGQ-LUT，一种用于训练基于查找表（LUT）的神经网络的新方法，该方法显著加快了训练过程，在现代GPU上速度提升超过100倍。该方法引入了专门的层和细粒度量化，以自动探索精度-资源权衡，无需手动调整。HGQ-LUT已集成到开源工具链中，能够为像CERN大型强子对撞机这样的应用实际部署这些高效的DNN。