Optimizing FPGA-based Sparse Coding for Real-time Processing in X-ray Instrumentation
Notice bibliographique
Résumé
As detectors improve, large physics experiments generate more data. However, real-time raw data processing near the sensors can be challenging due to the high data velocity and the resource-constrained location. A practical solution involves using low-latency data reduction to lower the incoming throughput. Sparse representations and machine learning are popular methods for data reduction, with the Learned Iterative Shrinkage-Thresholding Algorithm, dubbed LISTA, combining both techniques to produce fast approximations of sparse coding. In previous work, we proposed a multi-stage strategy to compress the data at the edge. We targeted the billion-pixel X-ray camera, an X-ray imaging system with a data rate of 10 TB/s. The compression leverages a LISTA-like architecture followed by quantization and entropy coding, achieving a 100:1 compression ratio with minimal image artifacts. Using high-level synthesis, we fitted the fully connected LISTA on an FPGA. Although the inference time was around 1 μs, the number of parameters per layer of the network was limited, imposing a low input size and restricting the FPGA throughput. In this work, we explore and compare solutions for a larger input size that maintain similar performance. We studied splitting the initial linear layers into smaller ones using low-rank matrix factorization. Preliminary results indicate that the factorization can achieve a 77% increase in the input size, with increased throughput at the cost of added resources. Finally, we discuss the current limitations of the compression strategy and potential improvements moving forward.
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 ».