Differences

This shows you the differences between two versions of the page.

--- strutture:bo:ml:meeting_infnbo_ml_20190228 [2019/03/06 14:41] – created marcodv@infn.it
+++ strutture:bo:ml:meeting_infnbo_ml_20190228 [2019/03/06 15:19] (current) – marcodv@infn.it
@@ Line 1: / Line 1: @@
+**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).