Saltar a contenido

ICTP MLab (Trieste)

Institución: Abdus Salam International Centre for Theoretical Physics (ICTP), unidad Science, Technology and Innovation (STI), Multidisciplinary Laboratory (MLab). Responsable: Maria Liz Crespo, Associate Research Scientist, coordinadora del MLab. Integrantes y coautores frecuentes: Andrés Cicuttin, Romina Soledad Molina, Marco Zennaro (TinyML), Bruno Valinoti, Luis G. García, Werner Florian Samayoa, Maynor Ballina; con Sergio Carrato y Giovanni Ramponi (Universidad de Trieste).

Líneas de investigación

  1. Instrumentación científica reconfigurable sobre SoC-FPGA. Sistemas de adquisición de datos para física de partículas, por ejemplo la lectura del experimento AMBER (antes COMPASS) en el CERN.
  2. ML en tiempo real para aplicaciones nucleares. Discriminación gamma/neutrón y de formas de pulso, y rechazo de apilamiento (pile-up) con redes neuronales en SoC-FPGA.
  3. Supercomputación reconfigurable. El clúster abierto HyperFPGA, con monitorización de consumo, para investigar paradigmas de cómputo.
  4. Edge AI y compresión de modelos para FPGA. Poda, cuantización y flujos de extremo a extremo para desplegar redes en SoC-FPGA, sobre todo con hls4ml.
  5. Formación en FPGA y TinyML para países en desarrollo, en colaboración con IAEA, INFN y la red tinyML4D.

Por qué encaja con esta ruta

El MLab combina exactamente los dos mundos de esta guía: SoC-FPGA (Zynq) e inferencia de redes comprimidas. Sus casos de uso científicos (pulsos, detectores) son problemas de clasificación con restricciones fuertes de latencia, el terreno natural de las redes basadas en LUT.

Publicaciones representativas

  • Molina, R. S., Morales, I. R., Crespo, M. L., Gil Costa, V., Carrato, S. y Ramponi, G. (2024). "An End-to-End Workflow to Efficiently Compress and Deploy DNN Classifiers on SoC/FPGA". IEEE Embedded Systems Letters, 16(3), 255-258. DOI. Lectura prioritaria: es su flujo de compresión y despliegue.
  • Molina, R. S., Ballina, M. G., Crespo, M. L. y Carrato, S. (2026). "Physics-Guided Neural Network for Pile-Up Rejection on SoC-FPGAs". IEEE Transactions on Nuclear Science, 73(5), 2033-2044. DOI.
  • Florian Samayoa, W., Crespo, M. L., Carrato, S., Silva, A., Ballina Escobar, M. G. y Cicuttin, A. (2025). "HyperFPGA: A Scalable Reconfigurable Platform for Computing Paradigms Research". IEEE Access. DOI.
  • Morales, I. R., Molina, R. S., Bogovac, M., Jovalekic, N., Crespo, M. L., Kanaki, K., Ramponi, G. y Carrato, S. (2024). "Gamma/Neutron Online Discrimination Based on Machine Learning With CLYC Detectors". IEEE Transactions on Nuclear Science, 71(12), 2602-2614. DOI.
  • Valinoti, B., Florian Samayoa, W. O., Garcia, L. G., Crespo, M. L., Cicuttin, A. et al. (2024). "A SoC-FPGA based readout platform for the free-running AMBER data acquisition system". Nuclear Instruments and Methods in Physics Research A, 1066, 169546. DOI.
  • Mauad Sosa, Y., Molina, R. S. et al. (2024). "Seismic Event Detection in the Copahue Volcano Based on Machine Learning: Towards an On-the-Edge Implementation". Electronics, 13(3), 622. DOI.
  • Molina, R. S., Ninkovic, V., Vukobratovic, D., Crespo, M. L. y Zennaro, M. (2025). "Efficient Split Learning LSTM Models for FPGA-based Edge IoT Devices". arXiv 2502.08692.
  • Alziyad, M. S., Al-Zahrani, M. H., Molina, R. S., Crespo, M. L. y Zennaro, M. (2026). "SNeuron: Learnable Structural Neuron Gating for Energy-Efficient Embedded AI". IEEE Embedded Systems Letters (acceso anticipado). DOI.
  • Garcia, L. G., Molina, R. S., Crespo, M. L., Carrato, S., Ramponi, G., Cicuttin, A., Morales, I. R. y Perez, H. (2021). "Muon-Electron Pulse Shape Discrimination for Water Cherenkov Detectors Based on FPGA/SoC". Electronics, 10(3), 224. DOI.

Herramientas y plataformas

Herramienta Qué es Enlace
HyperFPGA Clúster abierto de SoC-FPGA con monitorización de consumo; usado en las escuelas de ICTP Grupo ictp-mlab en GitLab · hyperfpga-hw · hyperfpga-linux
xsa2bit Utilidad del flujo de HyperFPGA GitLab
ComBlock IP que abstrae el bus AXI con registros, FIFO y RAM de doble puerto, con driver en C. Desarrollado por Rodrigo Melo (ICTP e INTI). Muy útil en la ZedBoard GitLab
KalEdge / KalEdge-Lite Flujo de ML a FPGA basado en hls4ml, presentado por R. S. Molina. Repositorio público [NV] Presentación (CERN)

Eventos y formación

  • School on Applied AI for Sustainable Development (smr 4210), Trieste, 23 a 27 de marzo de 2026. Incluyó una jornada sobre Machine Learning and Model Compression on FPGA-Based Heterogeneous Devices (Molina, Ballina, Crespo): compresión de modelos y laboratorio de despliegue en MPSoC-FPGA y HyperFPGA. Indico.
  • 1st Mesoamerican Workshop on Reconfigurable X-ray Scientific Instrumentation for Cultural Heritage, Antigua Guatemala, junio de 2025, con laboratorios de ComBlock sobre ZedBoard. Indico.
  • Joint ICTP-IAEA School on Systems-on-Chip Based on FPGA, noviembre y diciembre de 2023 [NV URL].
  • Calendario general de eventos: indico.ictp.it.

Perfiles

Puntos de convergencia con esta ruta

  1. Redes LUT frente a compresión con hls4ml. Comparar LogicNets y PolyLUT (con selección de entradas por reductos) contra el flujo de Molina et al. (ESL 2024) en sus mismos problemas: rechazo de pile-up, discriminación gamma/neutrón, pulsos Cherenkov. Son clasificaciones de pocos rasgos con requisitos de latencia, ideales para redes LUT.
  2. Instrumentación SoC-FPGA. El receptor digital de radar en Zynq comparte arquitectura con sus sistemas de adquisición; ComBlock y HyperFPGA son plataformas comunes.
  3. Formación. Laboratorios sobre redes LUT y aceleradores combinatorios para las escuelas de ICTP, aprovechando que sus laboratorios ya usan ZedBoard.

Lectura previa recomendada: el artículo de flujo de extremo a extremo (ESL 2024), el de pile-up (TNS 2026) y el de HyperFPGA (IEEE Access 2025).