A heterogeneous and vectorized sequence for the HL-LHC full tracking reconstruction of the CMS experiment

Im Herzen der europäischen Alpen, unter einem Ring aus supraleitenden Magneten, zertrümmert der Large Hadron Collider Protonen bei Energien, die noch nie zuvor erreicht wurden. Das Ziel ist es, die Bedingungen des Universums kurz nach seiner Geburt zu rekonstruieren und nach den fundamentalen Regeln zu suchen, die Materie und Energie regieren. Um dies zu erreichen, fungiert das CMS-Experiment als eine massive, dreidimensionale Kamera, die den Trümmerhaufen dieser Kollisionen einfängt. Die Maschine steht jedoch vor einer Transformation, die sie weitaus leistungsfähiger, aber auch weitaus schwieriger lesbar machen wird. Der High-Luminosity Large Hadron Collider wird Protonen in Bündeln abfeuern, die so dicht sind, dass ein einzener Kollisionsmoment hunderte überlagernder Ereignisse enthalten wird. Anstatt ein klares Bild einer einzelnen Interaktion zu sehen, wird der Detektor von einem chaotischen Sturm aus Teilchen überflutet, der ein Durcheinander von Signalen erzeugt, die in Echtzeit entwirrt werden müssen.

Die Herausforderung besteht nicht nur darin, die Teilchen zu sehen, sondern die Punkte zu verbinden. Während diese Teilchen durch den Detektor fliegen, hinterlassen sie winzige elektrische Signale, wie Fußabdrücke im Schnee. Der Computer muss diese Fußabdrücke verknüpfen, um den Pfad jedes Teilchens zu rekonstruieren. In der Vergangenheit war dies eine bewältigbare Aufgabe, aber mit der neuen Maschine wird die Anzahl der Fußabdrücke um den Faktor zehn steigen. Wenn die Software, die diese Punkte verbindet, dieselbe bleibt, wird sie überfordert sein und mit dem Datenstrom nicht mehr Schritt halten können. Das Ergebnis wäre ein Verlust an kostbarer wissenschaftlicher Information, da der Computer das schiere Volumen der Kollisionen einfach nicht verarbeiten kann.

Um dies zu lösen, haben Forscher beim CMS-Experiment eine neue Strategie entwickelt, wie der Computer über diese Spuren nachdenkt. Sie erkannten, dass die alte Arbeitsweise, die einem langsamen, schrittweisen Prozess folgte, nicht mehr praktikabel war. Stattdessen bauten sie ein System, das wie eine hoch organisierte, parallele Belegschaft funktioniert, die darauf ausgelegt ist, auf den modernsten verfügbaren Computerchips zu laufen. Dieser neue Ansatz kombiniert drei verschiedene Methoden, von denen jede für einen anderen Typ von Prozessor optimiert ist, um das Chaos des High-Luminosity-Collider zu sortieren. Das Ergebnis ist ein System, das nicht nur schneller, sondern auch wesentlich effizienter darin ist, falsche Pfade herauszufiltern, während es gleichzeitig dieselbe Fähigkeit behält, die seltenen, interessanten Teilchen im Rauschen zu finden.

Das neue System beginnt damit, eine Liste potenzieller Startpunkte für Teilchenpfade zu erstellen. Bei der alten Methode generierte der Computer eine massive Anzahl von Vermutungen, von denen viele falsch waren, wobei die Rate der falschen Keime (Seeding Fake Rate) bei bis zu 80 % lag. Dies war ineffizient. Die neue Strategie nutzt einen spezialisierten Algorithmus namens Extended Patatrack, um zuerst die innersten Schichten des Detektors zu betrachten. Dieses Werkzeug ist darauf ausgelegt, auf Grafikprozessoren (GPUs) zu laufen – denselben leistungsstarken Chips, die man in Spielekonsolen findet und die sich dadurch auszeichnen, dass sie viele Berechnungen gleichzeitig durchführen können. Indem dieser Algorithmus eine Mindestanzahl an Signalen erfordert, um einen Startpunkt zu bilden, erstellt er eine sehr saubere Liste von Kandidaten und verwirft die überwiegende Mehrheit der Fehlstarts, noch bevor sie überhaupt beginnen. Dies reduziert die Arbeitslast für die nächste Stufe um eine erhebliche Menge und senkt die Zahl der falschen Fährten auf weniger als 10 % im Vergleich zur bisherigen Methode.

Einige Teilchen sind jedoch knifflig. Langlebige Teilchen, die eine kurze Strecke zurücklegen, bevor sie zerfallen, hinterlassen möglicherweise nicht genügend Signale in den inneren Schichten, um vom ersten Algorithmus erfasst zu werden. Um diese einzufangen, hat das Team ein zweites Werkzeug namens Line Segment Tracking eingeführt. Diese Methode betrachtet die äußeren Schichten des Detektors, wo die Geometrie der Sensoren es ermöglicht, kurze Segment-Spuren parallel aufzubauen. Sie verbindet diese Segmente dann miteinander und nutzt geometrische Regeln sowie maschinelles Lernen, um zu entscheiden, welche zusammenpassen, um einen vollständigen Pfad zu bilden. Dies stellt sicher, dass selbst die schwer fassbaren Teilchen, die vom Zentrum der Kollision wegdriften, nicht verloren gehen. In Kombination mit dem ersten Werkzeug erfasst dieser zweigleisige Ansatz fast alle Teilchen, die gefunden werden müssen, während er die Anzahl der Fehler extrem niedrig hält.

Sobald die Startpunkte identifiziert sind, folgt der letzte Schritt: das Anpassen des vollständigen Pfades des Teilchens durch den Detektor. Hier kommt das dritte Werkzeug namens mkFit zum Einsatz. Dieser Algorithmus ist darauf ausgelegt, effizient auf Standard-Prozessoren zu laufen, indem er eine Technik namens Vektorisierung nutzt, die es ihm ermöglicht, viele Spuren gleichzeitig zu verarbeiten. Er nimmt die Kandidaten aus den vorherigen Schritten und berechnet deren exakte Pfade, wobei er Geschwindigkeit und Richtung mit hoher Präzision bestimmt. Das Team testete diese gesamte neue Sequenz in Simulationen, die die Bedingungen des zukünftigen Colliders nachahmen, bei denen zweihundert Kollisionen gleichzeitig stattfinden. Sie fanden heraus, dass das neue System die Spuren mit einer vergleichbaren Effizienz wie das alte System rekonstruieren konnte, jedoch mit einer deutlich geringeren Fehlerrate.

Das beeindruckendste Ergebnis dieser Arbeit ist die Geschwindigkeit. Durch die Verlagerung der anspruchsvollsten Teile der Berechnung auf spezialisierte Hardware und die Optimierung des Codes für moderne Prozessoren hat das Team die Zeit reduziert, die zur Verarbeitung eines einzelnen Ereignisses benötigt wird. Wenn das System allein auf Standard-Prozessoren läuft, ist es etwa neun Prozent schneller als das alte. Wenn die Hauptarbeit jedoch auf Grafikprozessoren ausgelagert wird, sinkt die benötigte Zeit um 33 Prozent. Dies ist eine entscheidende Verbesserung, da die strengen Zeitlimits des Online-Trigger-Systems bedeuten, dass jede Fraktion einer Sekunde zählt. Das neue System verbessert zudem die Fähigkeit, Teilchen zu finden, die eine gewisse Distanz vom Kollisionspunkt entfernt sind – eine Fähigkeit, die für die Untersuchung bestimmter Arten seltener Physik essenziell ist.

Diese Arbeit stellt einen grundlegenden Wandel in der Art und Weise dar, wie das Experiment mit Daten umgeht. Sie bewegt sich weg von einem einzelnen, sequenziellen Prozess, der mit Komplexität kämpft, hin zu einem flexiblen, parallelen Ansatz, der von ihr profitiert. Die für den Online-Trigger entwickelten Algorithmen werden auch für die Offline-Analyse angepasst, bei der Wissenschaftler die Daten später im Detail untersuchen. Dies bedeutet, dass das gesamte Experiment von einer vereinheitlichten, effizienten Methode profitieren wird, das Universum zu betrachten. Wenn der High-Luminosity Large Hadron Collider in Betrieb geht, wird diese neue Tracking-Sequenz sicherstellen, dass das CMS-Experiment in der Lage ist, präzise Messungen durchzuführen und neue Physik zu entdecken, selbst angesichts der extremsten Bedingungen, die die Natur bieten kann.