通过蒸馏学习与硬件协同设计在粒子物理探测器边缘使用工业基础模型

该论文首次将工业级基础模型用于粒子物理数据采集系统，以 Google Research 的 TimesFM 为骨干，在漂移室径迹探测器和双读出量热计上完成实时回归任务的微调；随后将微调后的 TimesFM 蒸馏为学生模型，并与 FPGA 实现协同设计，使其可在未来对撞机上实时运行。蒸馏后模型性能达到或超过此前已发表的 AI/ML 方案，且该蒸馏与压缩流程具有通用性，可适配多领域一维波形任务。

此前粒子物理实时数据采集多依赖专用小模型或传统算法，工业基础模型能否落地边缘端尚缺乏验证。该工作首次给出微调、蒸馏与 FPGA 协同设计的完整路径，并达到或超过既有方案，说明基础模型向极端低延迟场景迁移具备可行性。

大型时序基础模型具备较强的特征表达能力，但边缘端无法直接承载。先通过微调把通用时序知识对齐到粒子物理回归任务，再用蒸馏压缩为学生模型，并同步进行 FPGA 硬件协同设计，从模型结构与电路实现两端压低延迟与资源占用，从而兼顾精度与实时性。

对需要在传感器或探测器端做实时推理的产品，该路径提示可先借通用时序基础模型提升精度，再以蒸馏加专用硬件回落到可部署形态；研发上需把模型压缩与硬件实现并行考虑，而非先训后压。该流程宣称可迁移到其他一维波形任务，可能降低跨领域边缘 AI 的适配成本。

• 面向工业传感器与科学仪器的一维波形场景，构建“基础模型微调—蒸馏—FPGA 部署”的可复用工具链。
• 在实时性要求高的边缘设备上，按该流程评估将 TimesFM 类时序基础模型压缩为可部署学生模型的可行性。
• 针对特定波形回归任务，建立蒸馏前后精度与 FPGA 资源占用的对照评测，作为选型依据。

• 蒸馏后模型在 FPGA 上的实际延迟、吞吐与资源占用数据未在证据中给出。
• 已发表对比方案的具体任务、数据集与精度指标未在证据中说明。
• 该流程迁移到粒子物理之外的一维波形任务时，精度与工程量代价尚不明确。
• TimesFM 之外的工业基础模型是否同样适用，证据未涉及。