GRAIL: A Hardware-Aware Machine-Learning Pipeline for On-Board Classification of Space-Calorimeter Events
Computing Conference (CC 2026) — pubblicato nella collana Intelligent Computing, Lecture Notes in Networks and Systems, Springer.
Abstract
Studio di GRAIL, una pipeline di machine learning hardware-aware per la riduzione dimensionale e la classificazione a bordo di eventi calorimetrici in missioni di astrofisica spaziale, pensata per piattaforme embedded ed edge-AI. Il lavoro confronta diverse tecniche di riduzione dimensionale (PCA, ICA, UMAP, autoencoder variazionali, feature selection basata su XGBoost) e classificatori, individuando in XGBoost combinato con CatBoost il miglior compromesso tra accuratezza e costo computazionale. Test di deployment su piattaforme edge (Arduino Uno, NVIDIA Jetson Orin Nano) su dati simulati con Geant4 dimostrano la fattibilità dell'inferenza a bordo, pur evidenziando i limiti attuali per la qualificazione spaziale.
Autori
A. Garinei, A. Vispa, S. Speziali, M. Proietti, F. Fallucchi, S. Meola, A. Santiangeli, F. Zuccari, E. W. De Luca, U. Di Matteo, R. Giuliano, M. Marconi, E. Piccioni, M. Bossa
Link
Data di pubblicazione: 01/06/2026 Ultimo aggiornamento: 02/10/2026 10:54