**Minute del meeting INFN BO su  Machine Learning del 28 Febbraio**

 Stato del HW:\\
— crate ATCA 14U, 12 slots   previsto in arrivo per fine Aprile.
Ritardo dovuto alla richiesta di un backplane di tipo full mesh.\\
— Inizialmente una sola board, vadatech, con xilinx V7, in arrivo a fine marzo. I diversi progetti dovranno convivere time sharing. 
Il costo della board è intorno a 11 KE. \\
— Alimentatore (1U sotto il crate), ordinato a parte, arriverà assieme al crate.\\
  *Discussione: (a) finché c’è una sola board nel crate, si potrebbero procurare  delle board demo xilinx con lo stesso FPGA della board ATCA, da utilizzare per debugging e ottimizzazione del codice, per attenuare il problema del time sharing; (b) pensare a un TEST BED minimale 

Progetti proposti:\\
tre caricati sulla pagina indico del meeting al link 
https://agenda.infn.it/event/18475/\\
— “implementazione di modelli ML per trigger muonico su FPGA”\\
applicazione di algoritmi ML (supervised regression) per stimare l’impulso trasverso di muoni che attraversano le camere (di CMS, ATLAS, o altro esperimento).
  * Discussione: Si è fatto presente che si può collegare il crate ATCA nel TIER1 via fibre a camere reali nei laboratori di Berti Pichat, se ci sono.\\ 
— “Fabric for ML a Bologna”\\
creare un archivio di modelli già implementati, con il codice che li implementa (github) + breve documentazione sulle scelte di base, disponibili a chi vuole valutarli in funzione del problema da risolvere e  della implementazione su FPGA.\\
—“Ultrafast DNN on FPGA: post Zurich”\\
accrescere il nostro il know-how ripetendo gli esercizi del workshop di zurigo del 6 febbraio, a cui alcuni di noi hanno partecipato,  
https://indico.cern.ch/event/769727/
tra noi, con nostro HW, e i nostri tempi\\
— “ATLAS Pixel”\\
elaborazione dei segnali del pixel detector per selezionare eventi. \\
— “Signal processing”\\
elaborazione ML dei segnali elettronici per migliorarne la forma e pulirli dal rumore\\
— “Finger print”\\
Applicazioni ML per garantire che una immagine sia originale, non artefatta.

Nel finale si è discusso dell'utilizzo di Matlab che ha toolboxes con algoritmi di ML.
Ci sono licenze disponibili a livello di sezione INFN, ma senza toolbox, che potrebbe essere acquistata a parte (in attesa di capire se un’opzione “campus" per INFN con tutti i toolbox verrà acquistata).