Este artículo presenta una secuencia de comandos basada en redes neuronales gráficas para reconstruir trayectorias de partículas cargadas, utilizada en el experimento LHCb del CERN. La alta precisión en física de partículas requiere un procesamiento masivo de datos, y el filtrado (disparo) de datos en tiempo real es crucial para lograrlo. Este estudio presenta un método para implementar eficientemente modelos de aprendizaje automático, específicamente redes neuronales gráficas, en un entorno de procesamiento de datos de alta frecuencia de 40 MHz para maximizar el rendimiento y minimizar el consumo de energía. La secuencia de comandos se implementa en arquitecturas de GPU y FPGA, y su rendimiento y consumo de energía se comparan y analizan con algoritmos existentes.
