Intelligence Artificielle sur FPGA: une percée dans le domaine d'acquisition de donnée en physique de haute énergie et au-delà – AIDAQ

La puissance croissante des circuits logiques programmables (FPGA) haut de gamme ouvre un champ technologique novateur en alliant le potentiel des algorithmes d’intelligence artificielle à une capacité de traitement massif de données (100Tb/s). Surmonter ce défi technologique majeur ouvre de nouveaux horizons dans le traitement des données des expériences de physique des particules avec un fort potentiel d’extension vers des applications d’intérêt général. Au CERN, la mise à niveau du Grand Collisionneur d’Hadrons (LHC) et de ses détecteurs associés est une étape d’envergure pour la physique fondamentale et pour les développements technologiques de pointe. L’accroissement de la luminosité du LHC demande une mise à niveau du détecteur ATLAS. Cette mise à niveau est la pierre angulaire de la stratégie européenne en physique des hautes énergies. L’amélioration et l’évolution de l'électronique de lecture du calorimètre à argon liquide d’ATLAS est une étape essentielle de ce processus qui nécessite des FPGAs d’avant-garde pour le traitement intelligent, à la volée et en simultané, de l'énorme volume de données produit avec des algorithmes sophistiqués, nécessaires pour obtenir la sensibilité requise par les analyses de données à haute luminosité. Le groupe ATLAS du CPPM est responsable du développement de ces cartes électroniques et s’appuie sur une expertise de longue date dans la mise en œuvre de ce type de FPGAs. Le groupe a également une longue expérience des techniques d’apprentissage automatiques et des algorithmes d’intelligence artificielle appliqués aux analyses de physiques. Ce projet est une opportunité unique pour une percée dans le traitement des données des expériences de physique des hautes énergies et ouvre une voie à fort potentiel pour un large éventail d’applications.
Avec la luminosité croissante du LHC, le nombre de collisions multiples proton-proton par croisement de faisceau (appelé empilement) augmente considérablement, imposant des exigences plus strictes à l’électronique de lecture des détecteurs du LHC et au traitement de leurs données. Les performances physiques des algorithmes actuellement utilisés se dégradent dans des conditions d’empilement important, et notamment la résolution sur l'énergie déposée dans le calorimètre. Une excellente résolution sur les énergies déposées et une détection précise de l’instant des dépôts dans l'environnement flou créé par l'empilement est cruciale pour le fonctionnement des calorimètres et plus généralement du détecteur ATLAS afin d’en améliorer le potentiel de découverte. Les algorithmes d'intelligence artificielle se sont révélés être des outils très puissants pour le traitement des données. Ils s’avèrent être un des choix les plus intéressant pour rétablir les performances des algorithmes actuels dans des conditions d’empilement important. L'objectif principal de ce projet est de mettre en œuvre l'intelligence artificielle et les techniques d'apprentissage automatique pour améliorer considérablement les performances de physique du traitement des données du calorimètre à argon liquide dans des conditions de forte luminosité. L'un des principaux défis est de mettre en œuvre efficacement ces techniques dans l'électronique dédiée à l'acquisition de données, basée sur des FPGAs d’avant-garde. Ensuite, pour étendre la portée du projet, les algorithmes utilisés dans des applications plus générales que sont par exemple la sécurité civile, les drones de surveillance, la voiture autonome…, seront déployés, testés et validés avec les mêmes outils et matériels ouvrant la voie vers des applications industrielles novatrices.