基于FPGA加速的量化递归概率神经网络的实时等离子体状态预测
Real-Time Plasma State Prediction via FPGA-Accelerated Quantized Recurrent Probabilistic Neural Networks
浏览论文内容
中文总结 AI 辅助
针对托卡马克等离子体控制系统的实时延迟挑战，提出基于FPGA的量化递归概率神经网络端到端部署流程，实现亚10微秒延迟并满足资源预算。
中文摘要 AI 辅助
托卡马克装置等离子体控制的实时状态估计因等离子体控制系统（PCS）的严格延迟要求而具有挑战性。我们提出了一种在FPGA硬件上部署递归概率神经网络（RPNN）的端到端工作流程。我们将架构规模缩减与通过QKeras进行的量化感知训练相结合。随后，使用hls4ml对模型进行综合，目标设备为Xilinx Alveo U50。我们报告了一种设计，该设计在确定性亚10微秒单时间步延迟下，舒适地满足所有四个资源预算（DSP、LUT、FF、BRAM），满足模型预测控制式等离子体控制回路内实时推理的要求。
英文摘要
Real time plasma state estimation for control of Tokamak devices are challenging due to the stringent latency requirements of the plasma control system (PCS). We present an end-to-end workflow for deploying a recurrent probabilistic neural network (RPNN) on FPGA hardware. We combine architecture size reduction with quantization-aware training via QKeras. The model is then synthesized using hls4ml, targeting a Xilinx Alveo U50 device. We report a design that fits comfortably within all four resource budgets (DSP, LUT, FF, BRAM) at deterministic sub-10~$μ$s single-timestep latency, meeting the requirements for real-time inference inside a model-predictive-control-style plasma control loop.
发表机构
- Carnegie Mellon University（卡内基梅隆大学）
- Columbia University（哥伦比亚大学）
- Georgia Institute of Technology（佐治亚理工学院）
机构由 AI 辅助整理，请以论文原文为准。
