Reconstruction Distribuée sur FPGAs et ASICs pour les Systèmes de Déclenchement – DRIFTS

Les détecteurs modernes auprès des collisionneurs de particules génèrent des données à des taux de plusieurs pétaoctets par seconde, dépassant de loin les capacités de stockage actuelles. Pour gérer ce flux massif de données, des algorithmes de déclenchement rapide réalisent une reconstruction en temps réel et un filtrage des événements. Avec la prochaine génération d'expériences de physique des hautes énergies, telles que la mise à niveau de Haute Luminosité du LHC et l'introduction de détecteurs avancés tels que le calorimètre ultra-granulaire HGCAL dans l'expérience CMS, les volumes de données vont considérablement augmenter, nécessitant des techniques de traitement plus efficaces. Ce projet propose une architecture innovante pour les systèmes de déclenchement en mettant en œuvre l'apprentissage profond distribué (DL) dans toutes les couches du système de déclenchement. Intégrée dans des circuits logiques programmables (FPGAs) et des circuits intégrés spécifiques (ASIC) à faible latence, cette approche vise à utiliser directement les données encodées sur détecteur par DL. En outre, elle vise à permettre la reconstruction complète des objets physiques (tels que les électrons, photons et jets) directement à partir des données brutes des capteurs, en éliminant le besoin d'étapes intermédiaires telles que l’agrégation. En déployant un algorithme DL unique et distribué de manière optimale, le projet espère surpasser les méthodes traditionnelles de traitement en plusieurs étapes, tout en respectant les contraintes matérielles existantes. Cette approche unifiée simplifie l'architecture du système et exploite les capacités évolutives des FPGAs.
La méthodologie comprend quatre volets principaux : premièrement, le développement d'un cadre de simulation affiné pour fournir des réponses réalistes des détecteurs, y compris des représentations précises du bruit, de l'efficacité et du comportement de l'électronique ; deuxièmement, la création et l'optimisation d'algorithmes DL distribués utilisant des réseaux de neurones sur graphe et des mécanismes d'attention basés sur des transformeurs avec des fonctions de perte spécialisées ciblant à la fois la précision de la reconstruction et l'amélioration de l'interprétabilité des données ; troisièmement, la mise en œuvre de ces algorithmes optimisés sur des composants matériels hétérogènes tels que les FPGAs et les ASICs contenant des ressources logiques limitées, en utilisant des stratégies de quantification et d'élagage pour un déploiement efficace ; et quatrièmement, la réalisation d'une validation complète et d'une évaluation des performances, y compris la qualité de la reconstruction des objets physiques, la conformité de la latence, le débit, l'évolutivité et la réduction globale du débit de données. Cette validation finale garantit que le système répond à des exigences strictes en matière de temps réel, démontrant ainsi sa faisabilité et sa supériorité par rapport aux approches de déclenchement actuelles. L'avancée proposée améliore directement le potentiel de découvertes et l'observation de processus rares dans les futures expériences auprès de collisionneurs.