Characterization of a 28 nm ASIC With On-Chip ML for Particle Tracking Detectors
Dieses Papier präsentiert die Charakterisierung eines 28-nm-CMOS-ASICs für Teilchenspurungsdetektoren, der in-Pixel-Analogsignalverarbeitung und einen On-Chip-Neuronalen-Netzwerk-Klassifikator integriert, um ein geringes Rauschen, hohe Linearität und eine effektive Datenreduktion mit einer Übereinstimmung von 99,06 % zwischen Hardware-Messungen und Offline-Vorhersagen zu erreichen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Im Herzen der modernen Physik bauen Wissenschaftler Maschinen, die Teilchen mit Geschwindigkeiten zusammenstoßen lassen, die sich der Lichtgeschwindigkeit nähern, in der Hoffnung, die grundlegenden Regeln zu entschlüsseln, die unser Universum regieren. Diese Kollisionen geschehen Milliarden Male pro Sekunde und erzeugen einen chaotischen Sturm aus subatomarem Schutt, der erfasst und analysiert werden muss. Um dies zu erreichen, verwenden Forscher Detektoren aus Silizium, ähnlich den Chips in einem Smartphone, aber weita viel empfindlicher. Diese Detektoren fungieren wie ein Gitter aus winzigen Augen, von denen jedes nach einem Energieblitz Ausschau hält, wenn ein Teilchen hindurchgleitet. Die schiere Menge an Daten, die durch diese Kollisionen generiert wird, wird jedoch zunehmend unmöglich zu bewältigen. Wenn jeder einzelne Blitz an einen Computer zur Analyse gesendet würde, würden die Kommunikationsleitungen verstopfen und die wichtigsten Signale im Rauschen verloren gehen. Die Herausforderung besteht nicht nur darin, die Teilchen zu sehen, sondern sofort zu entscheiden, welche es wert sind, behalten zu werden und welche nur Hintergrundrauschen sind – und das alles, noch bevor die Daten den Detektor selbst verlassen.
Um dieses Problem zu lösen, hat ein Forscherteam einen neuen Typus Computerchip entwickelt, der direkt am Punkt der Detektion selbstständig denken kann. Dieser Chip, bekannt als „Smart Pixel“, ist darauf ausgelegt, nicht nur die Passage eines Teilchens zu registrieren, sondern auch die Form der Energie, die es hinterlässt, zu analysieren und eine blitzschnelle Entscheidung darüber zu treffen, ob die Daten behalten werden sollen. Die Forscher fertigten einen Prototyp unter Verwendung eines sehr fortschrittlichen Herstellungsprozesses an, bei dem die elektronischen Komponenten auf eine Größe von 28 Nanometern geschrumpft wurden, was etwa einem Tausendstel der Breite eines menschlichen Haares entspricht. Auf diesem winzigen Chip ordneten sie zwei große Gitter mikroskopischer Sensoren an, wobei jedes Gitter hunderte einzelner Pixel enthält. Jedes einzelne Pixel ist ein in sich geschlossenes Labor, ausgestattet mit seinem eigenen Verstärker, um das schwache Signal eines vorbeiziehenden Teilchens zu verstärken, und einem Digitalwandler, um dieses Signal in eine Zahl umzuwandeln.
Was diesen Chip wirklich einzigartig macht, ist, dass er die Rohdaten nicht einfach nur aufzeichnet, sondern sie sofort verarbeitet. In herkömmlichen Detektoren zählt der Chip lediglich, wie viel Energie deponiert wurde, und sendet diese Zahl weiter. Hier nimmt der Chip das Rohsignal, wandelt es in einige wenige digitale Bits um und speist diese Bits dann in ein kleines, eingebautes Gehirn – ein neuronales Netzwerk. Dieses neuronale Netzwerk ist eine Art künstliche Intelligenz, die darauf trainiert wurde, Muster zu erkennen. Es betrachtet den Energiecluster, den ein Teilchen hinterlässt, und entscheidet, ob dieses Teilchen wahrscheinlich für wissenschaftliche Studien interessant ist oder ob es nur zufälliges Rauschen darstellt. Durch das Treffen dieser Entscheidung innerhalb des Chips kann das System den Großteil der nutzlosen Daten aussortieren, noch bevor sie den Detektor verlassen, wodurch die Bandbreite für die wirklich wichtigen Ereignisse frei wird.
Die Forscher testeten diesen Chip, indem sie die Ankunft von Teilchen durch präzise elektrische Impulse simulierten. Sie wollten sehen, ob der Chip das Rauschen und die Geschwindigkeit bewältigen kann, die für zukünftige Experimente erforderlich sind, insbesondere für jene, die für den High-Luminosity Large Hadron Collider geplant sind – einen massiven Teilchenbeschleuniger, der bald aufgerüstet wird, um noch mehr Kollisionen als je zuvor zu erzeugen. Die Tests zeigten, dass der Chip bemerkenswert gut funktioniert. Als sie das Rauschniveau der Sensoren maßen, stellten sie fest, dass es extrem niedrig war, was es dem Chip ermöglichte, sehr schwache Signale zu detektieren, ohne durch statisches Rauschen verwirrt zu werden. Das digitale Gehirn innerhalb des Chips erwies sich als unglaublich zuverlässig und entsprach den Vorhersagen von Computersimulationen mit einer Genauigkeit von über 99 Prozent. Das bedeutet, dass der Chip dieselben Entscheidungen trifft, die ein leistungsstarker Computer treffen würde, aber er tut dies in einem Bruchteil einer Sekunde und mit einem minimalen Energieaufwand.
Einer der beeindruckendsten Aspekte des Designs ist die Effizienz, mit der es Strom verbraucht. Der Chip wurde mit einer Geschwindigkeit von 10 Millionen Zyklen pro Sekunde getestet, und selbst mit der zusätzlichen Aufgabe, ein neuronales Netzwerk zu betreiben, verbrauchte er sehr wenig Elektrizität. Die Forscher berechneten, dass der gesamte Stromverbrauch selbst dann innerhalb der strengen Grenzwerte liegen würde, die für diese massiven Experimente erforderlich sind, wenn der Chip mit der vollen Geschwindigkeit von 40 Millionen Zyklen pro Sekunde liefe, was das Ziel für zukünftige Detektoren ist. Dies ist entscheidend, da die Detektoren so dicht gepackt sind, dass sie weder überhitzen noch zu viel Strom ziehen dürfen. Der Chip demonstrierte zudem, dass er verschiedene Arten von elektrischen Signalen verarbeiten kann, was zeigt, dass das Design robust genug ist, um an verschiedene Bedingungen angepasst zu werden.
Dennoch waren die Forscher sorgfältig darauf bedacht zu erwähnen, dass dies eine erste Version des Chips war, und wie jeder Prototyp auch einige Unvollkommenheiten aufwies. Sie entdeckten, dass die Art und Weise, wie der Chip kalibriert wurde, zu kleinen Fehlern bei der Messung der Energie von Teilchen führte, insbesondere wenn viele Pixel gleichzeitig aktiv waren. Sie fanden auch heraus, dass die Fähigkeit des Chips, zwischen sehr niedrigen Energieniveaus zu unterscheiden, durch einige Designanpassungen verbessert werden könnte. Dies sind keine fundamentalen Mängel der Idee eines intelligenten Chips, sondern eher die Wachstumsschmerzen einer neuen Technologie. Das Team hat bereits skizziert, wie sie diese Probleme in der nächsten Version beheben werden, beispielsweise indem jedem Pixel eine eigene dedizierte Kalibrierungslinie zugewiesen wird, um Interferenzen zu vermeiden.
Der Erfolg dieses Prototyps markiert einen bedeutenden Schritt nach vorn im Bestreben, intelligentere Detektoren zu bauen. Er beweist, dass es möglich ist, komplexe Entscheidungswerkzeuge direkt auf die Siliziumsensoren zu bringen, die das Universum beobachten. Durch das Filtern des Rauschens direkt an der Quelle könnten diese Chips es Wissenschaftlern ermöglichen, tiefer in die Kollisionen hineinzublicken und seltene sowie flüchtige Ereignisse zu erfassen, die andernfalls in einem Meer von Daten untergehen würden. Die hier vorgestellte Arbeit zeigt nicht nur, dass die Technologie funktioniert; sie zeigt, dass sie mit der Präzision und Effizienz funktioniert, die für die nächste Generation der Entdeckungen erforderlich ist. Während das Team sich dem Bau der finalen Version widmet, ist es zuversichtlich, dass es das Design verfeinern kann, um den extremen Bedingungen der zukünftigen Teilchenbeschleuniger gerecht zu werden und sicherzustellen, dass die wichtigsten Signale vom Rand des Universums niemals verloren gehen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.