Building Real Time Edge Machine Learning Systems for High Data Rate Acquisition
Notice bibliographique
Résumé
Over the past decade, a developments in radiation and photonic detectors has significantly improved their resolution, pixel density, sensitivity, and sampling rate. The increase in sampling rate corresponds to a considerable increase in generated data, the movement and storage of which requires a large number of storage units with very high bandwidth interconnects to the sensors themselves. The paradigm of edge computing, however, proposes to move the data processing closer to the source, the edge, rather than moving data to processing. Still, the computation resources are limited at the edge and it is necessary to use lean and robust algorithms. Machine learning (ML) is commonly used to identify patterns and relationships in minimally processed data. EdgeML is a combination of ML and edge computing that leverages a combination of benefits from ML algorithms and edge computing. In this paper, we demonstrate a high-speed and configurable ML model in a fully customizable EdgeML flow. Our demonstration focuses on an angular streaking detector developed for the LCLS-II project known as the CookieBox. The flow starts by emulating the CookieBox, digitizing the signals, and passing them to an optimized ML model on the FPGA. By using our ML implementation in this flow, we are able to achieve a 2.7 μs of inference latency. This flow can also be configured for other instrumentation applications that require low-latency solutions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».