⚛️ high-energy experiments

Robustness of the \textit{smartpixels} classifier for different simulated sensor geometries and non-ideal detector conditions

Este artículo demuestra que el clasificador de redes neuronales \textit{smartpixels} para el filtrado de trazas en tiempo real en detectores de píxeles de alta granularidad mantiene un rendimiento robusto a través de diversas geometrías de sensores, campos magnéticos y niveles de ruido, siendo las pérdidas significativas de eficiencia debidas al daño por radiación mayoritariamente recuperables mediante el reentrenamiento de la red.

Autores originales: Danush Shekar, Ben Weiss, Morris Swartz, Corrinne Mills, Jennet Dickinson, Lindsey Gray, David Jiang, Mohammad Abrar Wadud, Daniel Abadjiev, Anthony Badea, Douglas Berry, Alec Cauper, Arghya Ranjan Da

Publicado 2026-10-05

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Danush Shekar, Ben Weiss, Morris Swartz, Corrinne Mills, Jennet Dickinson, Lindsey Gray, David Jiang, Mohammad Abrar Wadud, Daniel Abadjiev, Anthony Badea, Douglas Berry, Alec Cauper, Arghya Ranjan Das, Karri Folan DiPetrillo, Farah Fahim, Rachel Kovach Fuentes, Abhijith Gandrakota, Giuseppe Di Guglielmo, Eliza Howard, Shiqi Kuang, Carissa Kumar, Mia Liu, Petar Maksimovic, Nick Manganelli, Mark S Neubauer, Aidan Nicholas, Emily Pan, Benjamin Parpillon, Jannicke Pearkes, Ricardo Silvestre, Chinar Syal, Amit Trivedi, Keith Ulmer, Jieun Yoo, Eric You

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el corazón de la física de partículas, donde los científicos chocan átomos entre sí para comprender los componentes fundamentales del universo, ha surgido un nuevo desafío. Las máquinas diseñadas para estas colisiones se están volviendo tan potentes que crean más datos de los que cualquier computadora puede procesar en tiempo real. Imagine una cámara tomando millones de fotos cada segundo; si intentara guardar cada imagen, su disco duro se llenaría instantáneamente y los momentos más interesantes se perderían en el ruido. Para resolver esto, los físicos están construyendo detectores más inteligentes que pueden tomar decisiones incluso antes de que los datos salgan de la máquina. Estos detectores, conocidos como sensores de píxeles, actúan como una cuadrícula de diminutos interruptores de luz. Cuando una partícula pasa a través de ellos, deja un rastro de señales eléctricas, o un "clúster", en estos interruptores. El objetivo es enseñar al detector a reconocer la forma de ese rastro y decidir instantáneamente qué partículas son lo suficientemente importantes como para conservarlas y cuáles son simplemente ruido de fondo que debe ser descartado. Este proceso, que ocurre directamente en el chip del sensor, se llama reducción de datos en el detector (on-detector data reduction), y es esencial para la próxima generación de experimentos que explorarán los secretos más profundos de la materia.

Un equipo de investigadores se propuso probar qué tan bien podía realizar esta tarea de filtrado un tipo específico de inteligencia artificial, una red neuronal, bajo una amplia variedad de condiciones del mundo real. No solo buscaban un sensor idealizado y perfecto en el vacío; querían saber si su sistema de "píxel inteligente" sobreviviría al entorno desordenado y hostil de un colisionador de partículas. Simularon cómo se comportaría el sistema cuando el tamaño físico de los píxeles del sensor cambiaba, cuando los sensores se colocaban en diferentes partes del detector donde los campos magnéticos actúan de manera distinta, y cuando los sensores eran dañados por años de radiación. También probaron cómo el sistema manejaba el ruido eléctrico, la estática que ocurre naturalmente en los circuitos electrónicos. Su trabajo se centró en un algoritmo específico que observa la forma del rastro de la partícula para adivinar su momento, o qué tan fuerte se mueve lateralmente. Si el rastro es corto y recto, es probable que la partícula se mueva lentamente y pueda ser ignorada. Si el rastro es largo y curvo, la partícula es rápida y valiosa, por lo que el sistema la conserva.

Los investigadores comenzaron construyendo un modelo digital del sensor y entrenando a la inteligencia artificial para reconocer estos rastros. Probaron el sistema con siete diseños de sensores diferentes, cambiando el espaciado entre los píxeles y el grosor del material del sensor. Descubrieron que la forma del sensor importaba de mucho. Cuando los píxeles estaban más separados, el sistema tenía más dificultades para ver los detalles finos del rastro de la partícula, y su capacidad para distinguir partículas rápidas de lentas disminuía. Sin embargo, descubrieron una solución ingeniosa: hacer el sensor más grueso ayudaba a compensar el mayor espaciado. Un sensor más grueso permitía que la partícula dejara un rastro más largo y distintivo, lo que le daba a la computadora suficiente información para tomar una buena decisión incluso con píxeles más grandes. Para el diseño de sensor específico planeado para una gran actualización en el Gran Colisionador de Hadrones, el sistema identificó con éxito las partículas rápidas aproximadamente el 92% de las veces, mientras descartaba casi el 30% de los datos inútiles. Este equilibrio es crucial; significa que el sistema conserva los datos físicos valiosos mientras reduce significativamente la cantidad de información que debe enviarse a las computadoras principales.

El estudio también analizó cómo se desempeñó el sistema en diferentes partes del detector. En la sección del barril central, el campo magnético ayuda a curvar las trayectorias de las partículas, haciendo que sus rastros sean más fáciles de distinguir. En las secciones de la tapa final (endcap), donde los sensores están orientados de forma diferente, el campo magnético no curva las partículas de la misma manera, lo que dificulta la tarea. Los investigadores encontraron que el sistema era, de hecho, menos efectivo en estas regiones de la tapa final, pero aun así funcionaba lo suficientemente bien como para ser útil. También simularon lo que sucede cuando los sensores son bombardeados por radiación durante muchos años, un proceso que daña el silicio y cambia la forma en que viajan las señales eléctricas. Cuando utilizaron el programa de computadora original entrenado con sensores nuevos, el sistema falló estrepitosamente en los sensores dañados, desechando datos buenos y conservando datos malos. Pero aquí está el hallazgo clave: cuando simplemente reentrenaron el programa de computadora utilizando datos de los sensores dañados, el sistema recuperó casi todo su rendimiento. Esto demuestra que el sistema no es frágil; puede adaptarse al envejecimiento del hardware simplemente actualizando sus configuraciones internas.

Finalmente, el equipo probó la resiliencia del sistema ante el ruido eléctrico, la estática aleatoria que puede confundir las señales electrónicas. Encontraron que si el ruido era alto, el rendimiento del sistema caía significativamente. Sin embargo, al igual que con el daño por radiación, descubrieron que reentrenar el sistema con datos que incluían este ruido permitía mantener su precisión. Incluso con niveles de ruido que típicamente arruinarían un detector estándar, el sistema reentrenado se mantuvo dentro de unos pocos puntos porcentuales de su rendimiento original. Los investigadores también verificaron si el sistema podía manejar algunos píxeles rotos, que son comunes en los detectores reales, y encontraron que era lo suficientemente robusto como para ignorarlos sin necesidad de ajustes especiales. Estos resultados sugieren que la tecnología está lista para el mundo real. El sistema no es una solución de un solo uso que se rompe cuando las condiciones cambian; es una herramienta flexible que puede actualizarse a medida que el detector envejece y el entorno cambia. Al demostrar que este filtrado inteligente funciona a través de diferentes diseños, condiciones magnéticas y niveles de daño, el estudio proporciona una base sólida para la construcción de la próxima generación de detectores de partículas. Estos sensores inteligentes permitirán que el flujo de datos continúe a tasas sin precedentes, asegurando que, sin importar cuántas partículas colisionen, las más interesantes nunca se pierdan.

Resumen Técnico: Robustez del Clasificador Smartpixels para Diferentes Geometrías de Sensores Simuladas y Condiciones de Detectores No Ideales

Planteamiento del Problema
Los experimentos de colisionadores de próxima generación, como el Gran Colisionador de Hadrones de Alta Luminosidad (HL-LHC), se enfrentarán a densidades de partículas cargadas sin precedentes, particularmente cerca del punto de interacción. Esta alta densidad requiere un paso de píxel (pixel pitch) extremadamente fino en los detectores de seguimiento de silicio, lo que a su vez exacerba los requisitos de ancho de banda para la lectura de datos. El proyecto "Smartpixels" tiene como objetivo mitigar esto mediante el despliegue de algoritmos de aprendizaje automático (ML) directamente en el chip de lectura del detector (ASIC) para realizar una reducción de datos en tiempo real. Específicamente, el objetivo es filtrar las trazas de bajo momento transversal ( $p_T$ ) basadas en la forma geométrica de los cúmulos de carga antes de que sean transmitidas fuera del detector. Si bien trabajos previos establecieron la viabilidad de este enfoque para una única geometría de sensor de referencia, existía una brecha crítica en la comprensión de cómo el rendimiento del clasificador depende de las variaciones en el diseño de los sensores, las condiciones de operación y los estados no ideales del detector (como el daño por radiación y el ruido). Sin esta comprensión, la implementación de tales sistemas en diversas regiones del detector (barril frente a endcap) y a lo largo de la vida útil del detector es incierta.

Metodología
Los autores utilizaron el marco de simulación PixelAV para generar los conjuntos de datos para el entrenamiento y la validación de un clasificador de red neuronal (NN). La simulación incluyó modelos detallados de detectores de silicio, contabilizando el arrastre (drift), la difusión, el efecto Hall y el atrapamiento de carga inducido por la radiación.

Conjuntos de Datos: Se crearon dos conjuntos de datos principales: un conjunto de " $p_T$ -plano" (distribución uniforme de 0.03 a 5 GeV) para el entrenamiento para evitar el sesgo de momento, y un conjunto de " $p_T$ -físico" (distribución decreciente típica de colisiones $pp$ a 13 TeV) para la evaluación.
Configuraciones de Sensores: Se examinaron siete geometrías de sensores distintas, variando el paso de píxel (a lo largo de $x$ y $y$ ) y el espesor del sensor. Estas incluyeron la geometría base de $50 \times 12.5 \times 100$ $\mu m^3$ , la geometría de la actualización Fase-2 de CMS ( $100 \times 25 \times 100$ $\mu m^3$ ), y una variante más gruesa ( $100 \times 25 \times 150$ $\mu m^3$ ).
Condiciones No Ideales: Las simulaciones cubrieron:
- Geometría: Regiones de barril (donde el campo magnético es perpendicular al sensor) y regiones de endcap (donde el campo es paralelo, eliminando el arrastre de Lorentz).
- Irradiación: Los sensores fueron simulados con flujos correspondientes a 0, 370 y 1100 $fb^{-1}$ de luminosidad integrada.
- Ruido: Se inyectó ruido gaussiano en la simulación de recolección de carga basada en cálculos de Carga de Ruido Equivalente (ENC) derivados de simulaciones de ASIC en Cadence Virtuoso/Spectre.
Algoritmo: Se empleó un clasificador de red neuronal, que toma como entrada el "perfil- $y$ del cúmulo" (carga integrada proyectada sobre el eje $y$ ) y la posición azimutal incidente ( $y_0$ ). La arquitectura de la red consiste en una capa oculta densa (128 neuronas) y una capa de salida (3 neuronas).

Contribuciones Clave
Este artículo proporciona el primer estudio sistemático de la robustez del clasificador Smartpixels a través de un amplio rango de parámetros de diseño y condiciones operativas. Las contribuciones clave incluyen:

Dependencia de la Geometría: Cuantificación de cómo el paso de píxel y el espesor del sensor afectan la discriminación de $p_T$ .
Comparación de Regiones: Evaluación de las diferencias de rendimiento entre las regiones de barril y endcap, aislando específicamente el impacto del arrastre de Lorentz.
Resistencia a la Radiación: Demostración de la degradación de un clasificador de pesos fijos bajo irradiación y la prueba de que el rendimiento puede recuperarse mediante el reentrenamiento.
Resiliencia al Ruido: Evaluación del impacto del ruido electrónico y los píxeles defectuosos, mostrando que el reentrenamiento en datos con inyección de ruido restaura el rendimiento.

Resultados

Geometría del Sensor: Un paso de píxel más pequeño en la dirección de flexión ( $y$ ) y un mayor espesor del sensor mejoran la discriminación de $p_T$ al proporcionar características de cúmulo mejor resueltas. Aumentar el paso en $y$ degrada el rendimiento, pero esta pérdida puede compensarse parcialmente aumentando el espesor del sensor. Para la geometría del sensor CMS HL-LHC ( $100 \times 25 \times 100$ $\mu m^3$ ), el clasificador alcanzó una eficiencia de señal de $(91.9 \pm 0.7)\%$ y una reducción de datos de $(29.7 \pm 1.0)\%$ . La variante más gruesa ( $100 \times 25 \times 150$ $\mu m^3$ ) recupera parte de la pérdida de rendimiento debida al mayor paso de píxel, pero no rinde tan bien como la base de $50 \times 12.5 \times 100$ $\mu m^3$ .
Arrastre de Lorentz: La ausencia de arrastre de Lorentz (en regiones de endcap o sensores 3D) reduce el rendimiento. En un límite de $p_T$ de 0.2 GeV, los sensores de endcap mostraron un rendimiento reducido en comparación con los sensores de barril. Sin embargo, el impacto específico de eliminar el arrastre de Lorentz (simulado configurando el campo magnético a cero en los píxeles del barril) resultó en una caída de rendimiento absoluta de menos del 6% en todas las métricas.
Irradiación: El daño acumulado por radiación altera significativamente las formas de los cúmulos, reduciendo la eficiencia de la señal respecto a la base en aproximadamente un 30–60% en términos absolutos si no se actualizan los pesos de la red. No obstante, reentrenar la red con datos irradiados y actualizar los pesos del ASIC recupera casi todo el rendimiento, manteniendo la eficiencia de la señal y la reducción de datos dentro de un 7% y un 2% de sus valores originales, respectivamente, incluso a 1100 $fb^{-1}$ .
Ruido: El aumento de los niveles de ruido (hasta 100 electrones) provoca una caída considerable del rendimiento en una red entrenada con datos sin ruido. Sin embargo, el reentrenamiento con conjuntos de datos con inyección de ruido mantiene el rendimiento dentro de un 6% de la base. La red también demostró robustez ante píxeles defectuosos (<1% de tasa), manteniendo el rendimiento dentro de un 1% del caso nominal sin necesidad de reentrenamiento.

Significancia y Perspectivas
El artículo concluye que, si bien las condiciones no ideales (ruido, radiación, variaciones de geometría) degradan severamente el rendimiento de un clasificador estático, el enfoque Smartpixels sigue siendo viable mediante el uso de lógica reprogramable en los ASICs. La capacidad de reentrenar periódicamente la red y actualizar los pesos permite que el sistema se adapte al envejecimiento de los sensores y a los cambios en las condiciones de operación.

Los autores afirman que estos hallazgos informan las consideraciones de diseño para futuros detectores que pretendan implementar una reducción de datos inteligente en el sensor. Enfatizan que, para su uso en la primera capa de un sistema de disparo (trigger), se requieren al menos dos capas de Smartpixels. El trabajo actual se centra en la capa más interna, que tiene los requisitos de ancho de banda más estrictos. El trabajo futuro extenderá estos estudios a trazas desplazadas (relevantes para partículas de larga vida) y sistemas de seguimiento de múltiples capas, así como a la hibridación de los ASICs Smartpixels con sensores de píxeles para demostraciones en beam test. Los resultados sugieren que esta tecnología puede reducir el flujo de datos manteniendo un alto rendimiento físico, una necesidad para el éxito de los experimentos de colisionadores de próxima generación.

Más como este