量子科技中心_量科网

该研究团队系统性地研究了张量网络（TN）模型——包括矩阵乘积态（MPS）和树状张量网络（TTN）——在高能物理实时喷注鉴别中的应用，重点探讨了其在现场可编程门阵列（FPGA）上的低延迟部署方案。基于高亮度大型强子对撞机（HL-LHC）一级触发系统的严格要求，研究人员探索了将张量网络作为深度神经网络的一种紧凑且可解释的替代方案。通过使用喷注组成粒子的底层特征，该团队开发的模型实现了与最先进深度学习分类器相媲美的性能。研究人员进一步研究了训练后量化技术，使得在不降低分类性能或增加延迟的前提下实现硬件高效部署。性能最优的模型经综合评估后，其FPGA资源占用率、延迟时间和内存使用等指标均表明可实现亚微秒级延迟，验证了在实时触发系统中在线部署的可行性。总体而言，该工作凸显了基于张量网络的模型在低延迟环境中实现快速且资源高效推理的潜力。