Краткое содержание

arXiv:2508.15468v2 Announce Type: replace-cross Аннотация: Графовые нейронные сети (GNN), в частности, интеракционные сети (Interaction Networks, IN), продемонстрировали исключительную производительность для идентификации джетов (jet tagging) на Большом адронном коллайдере высокой светимости (HL-LHC) в ЦЕРНе. Однако их вычислительная сложность и нерегулярные шаблоны доступа к памяти создают значительные трудности для развертывания на ПЛИС (FPGA) в системах аппаратных триггеров, где действуют строгие ограничения по задержке и ресурсам. В данной работе мы предлагаем JEDI-linear — новую архитектуру GNN с линейной вычислительной сложностью, которая устраняет явные парные взаимодействия за счет использования общих преобразований и глобальной агрегации. Для дальнейшего повышения эффективности аппаратной реализации мы вводим обучение с учетом тонкой квантизации с оптимизацией разрядности для каждого параметра и применяем безумножительные операции умножения-накопления с помощью распределенной арифметики. Результаты оценки показывают, что наша реализация JEDI-linear на ПЛИС обеспечивает в 3,7–11,5 раз меньшую задержку и до 150 раз меньшее