[論文レビュー] Memristive tabular variational autoencoder for compression of analog data in high energy physics

Rajat Gupta, Yuvaraj Elangovan+6 more|arXiv (Cornell University)|Feb 17, 2026

Advanced Memory and Neural Computing被引用数 0

ひとこと要約

論文は、48個のアナログカロメータ信号をVAEで4次元潜在空間に圧縮し、決定木へ蒸留してメモリスターレスACAM上で展開するエッジAIパイプラインを示し、12倍圧縮、24 ns遅延、3.3e8 圧縮/秒のスループット、1圧縮あたり4.1 nJを達成する。

ABSTRACT

We present an implementation of edge AI to compress data on an in-memory analog content-addressable memory (ACAM) device. A variational autoencoder is trained on a simulated sample of energy measurements from incident high-energy electrons on a generic three-layer scintillator-based calorimeter. The encoding part is distilled into tabular format by regressing the latent space variables using decision trees, which is then programmed on a memristor-based ACAM. In real-time, the ACAM compresses 48 continuously valued incoming energies measured by the calorimeter sensors into the latent space, achieving a compression factor of 12x, which is transmitted off-detector for decompression. The performance result of the ACAM, obtained using the Structural Simulation Toolkit, the SST open source framework, gives a latency value of 24 ns and a throughput of 330M compressions per second, i.e., 3 ns between successive inputs, and an average energy consumption of 4.1 nJ per compression.

研究の動機と目的

• 高率のカロメータデータをリアルタイムで前端圧縮し、ストレージと帯域幅を削減しつつ重要な物理観測量を保持することを動機づけ、実現する。
• ニューラルエンコーダとアナログメモリ上に展開される木ベースの代替モデルを組み合わせたエンドツーエンドのパイプラインを開発する。
• 圧縮後の物理忠実度を定量化し、ハードウェア性能を完全デジタルFPGAベースのベースラインと比較する。
• ACAMベース実装の遅延、スループット、エネルギー効率をビット精度域にわたって評価する。
• 蒸留によるタブラー表現化が物理観測量の劣化を大きく招かないことを示す。

提案手法

• 48個の入力エネルギーデポジットから4次元潜在表現を学習するためにシミュレートされたECALシャワーデータ上で変分オートエンコーダ（VAE）を訓練する。
• 同じ入力から潜在変数を回帰するためにブーストされた決定木（BDT）を用いてVAEエンコーダを蒸留する。
• 回帰された潜在変数をルート-リーフの決定パスにタブラー化し、SRAM周辺を持つメモリストリクチャーのアナログコンテンツアドレスメモリ（ACAM）へマッピングする。
• タブラー型エンコーダをACAM上で展開し、メモリ内で行列並列・アナログレンジ比較推論を実現して、ストリーミングデータの圧縮潜在出力を得る。
• 圧縮前後のシャワー特性保存を保証するために、E_tot、E_l、f_l、シャワー深さ、横方向幅などの物理観測量を評価する。
• ACAMの性能をデジタルFPGA実装と、遅延、スループット、圧縮あたりのエネルギーの観点で比較する。

実験結果

リサーチクエスチョン

• RQ1 VAEでエンコードされた4D潜在表現はECALシャワーデータを物理情報の大きな損失なく忠実に圧縮できるか。
• RQ2 VAEエンコーダをタブラー形式のACAM展開形に蒸留しても、元のニューラルエンコーダと同等の性能と忠実度を保持できるか。
• RQ3 異なるビット精度に対するACAMベースのインメモリタブラーエンコーダの遅延、スループット、エネルギ影響はどうなるか。
• RQ4 前端データ圧縮において、デジタルFPGAベースのベースラインと比較してACAMアプローチはどのような点で優れるか。
• RQ5 エンドツーエンドのパイプラインは高チャネル数・高衝突率のリアルタイムストリーミングデータに対して頑健か。

主な発見

Input width (bits)	4	8	16	32	Output width (bits)	16	16	16	16	Clock speed (MHz)	300	300	300	300	Timing (Clock ticks)	13	13	13	13	Latency (ns)	43	43	43	43	Resource utilization (LUT)	146k	146k	197k	365k	Register	56k	75k	80k	88k	Lutram	2k	2k	2k	2k	Slice	12k	26k	34k	63k	Lookahead8	2k	2k	2k	2k	Energy per compression (nJ)	20	41	50	74
4	16	43	146k	56k	2k	12k	2k	2k	---	---	120	-
8	16	43	146k	75k	2k	26k	2k	2k	---	---	110	-
16	16	43	197k	80k	2k	34k	2k	2k	---	---	100	-
32	16	43	365k	88k	2k	63k	2k	2k	---	---	74	-

• VAEは48入力から4D潜在空間を学習し、シャワー構造を保持しつつ実質的に12倍の圧縮を実現した。
• BDT蒸留により、潜在変数の再構成は、物理観測量の鍵となる指標に対してニューラルエンコーダが生成するものと統計的に区別できない。
• ACAM実装はコアレイテンシ24 nsを達成し、パイプライン設計で最大3.3e8回/秒の圧縮、最適設定時の1圧縮あたりエネルギー約4.1 nJを示す。
• FPGAベースのベースラインはレイテンシが高く、ビット幅によってエネルギー消費が変動する一方、ACAMは低精度で大幅に低エネルギーを示す。
• E_tot、層エネルギー、分数、シャワー深さ、横方向幅などの物理観測量は、圧縮後も良好に再現され、尾部が小さくKS差異が数％程度である。