Tensor-Netzwerke ermöglichen Jet-Tagging in Echtzeit auf FPGAs

In einer neuen Studie werden Tensor‑Network‑Modelle – Matrix Product States (MPS) und Tree Tensor Networks (TTN) – systematisch für das Echtzeit‑Jet‑Tagging in der Hochenergiephysik untersucht. Der Fokus liegt dabei auf der Umsetzung mit niedriger Latenz auf Field‑Programmable Gate Arrays (FPGAs), um die strengen Anforderungen des HL‑LHC Level‑1‑Trigger‑Systems zu erfüllen.

Die Modelle nutzen rohe Jet‑Konzentrationsmerkmale und erreichen damit eine Leistung, die mit den führenden Deep‑Learning‑Klassifikatoren vergleichbar ist. Durch die Anwendung von Post‑Training‑Quantisierung lassen sich die Modelle hardwareeffizient implementieren, ohne die Klassifikationsgenauigkeit oder die Latenz zu beeinträchtigen.

Nach der Synthese der besten Modelle wurden FPGA‑Ressourcennutzung, Latenz und Speicherbedarf geschätzt. Die Ergebnisse zeigen eine Unter‑Mikrosekunden‑Latenz und bestätigen die Machbarkeit einer Online‑Bereitstellung in Echtzeit‑Trigger‑Systemen. Die Arbeit unterstreicht damit das Potenzial von Tensor‑Netzwerken für schnelle und ressourcenschonende Inferenz in Low‑Latency‑Umgebungen.