Real-Time Wiener Deconvolution for feature reconstruction in JUNO

Este artículo presenta un algoritmo de desconvolución de Wiener en tiempo real implementado en FPGA para el observatorio JUNO, diseñado para reconstruir señales de fotomultiplicadores y mejorar la detección de depósitos de energía de baja energía en fenómenos astrofísicos transitorios, superando así las limitaciones de almacenamiento actuales.

Lo esencial

¡Hola! Imagina que el Observatorio Subterráneo de Neutrinos de Jiangmen (JUNO) es como un gigante dormido bajo la tierra, lleno de miles de "ojos" (tubos fotomultiplicadores) que intentan ver la luz más tenue del universo: los neutrinos.

El problema es que este gigante está en una habitación muy ruidosa. No solo hay señales de neutrinos, sino también "ruido" de fondo (como la radioactividad natural) que hace que los ojos del gigante parpadeen constantemente. Si intentáramos guardar todas las imágenes que estos ojos ven, llenaríamos los discos duros del mundo en un día y el sistema colapsaría.

Aquí es donde entra esta investigación, que propone una solución inteligente y rápida. Vamos a explicarla con una analogía sencilla:

🕵️‍♂️ El Problema: La Tormenta de Papelitos

Imagina que tienes un amigo que te envía cartas (los neutrinos) a través de una ventisca fuerte (el ruido de fondo).

• El método antiguo (COTI): Es como tener un cartero que solo recoge los paquetes si el viento se calma lo suficiente para que veas claramente el sobre. Si dos cartas llegan muy juntas o el viento es muy fuerte, el cartero las junta en un solo paquete y dice: "Aquí hay una carta grande", cuando en realidad son dos pequeñas. Pierdes información importante.
• El resultado: Solo guardamos lo que parece obvio, pero perdemos las señales débiles y rápidas (como las de una supernova lejana).

🚀 La Solución: El "Desenredador Mágico" en Tiempo Real

Los autores de este paper han creado un algoritmo llamado Desconvolución de Wiener en Tiempo Real. Imagina que este algoritmo es un filtro de ruido y desenredador mágico que vive dentro de un chip especial (un FPGA) conectado directamente a cada ojo del gigante.

Funciona en tres pasos sencillos:

1. El Oído Entrenado (Plantilla): Primero, el sistema "escucha" cómo suena exactamente una carta individual (un fotón) cuando llega limpia. Aprende su forma perfecta.
2. El Filtro de Ruido (Filtro de Wiener): Cuando llega una tormenta de papelitos mezclados con viento, el chip aplica un filtro que silencia el ruido de fondo, dejando solo la forma de las cartas. Es como poner auriculares con cancelación de ruido para escuchar una conversación en un estadio.
3. El Desenredador (Desconvolución): Aquí está la magia. A veces, las cartas llegan tan juntas que se pegan. El algoritmo actúa como un despegador de pegamento. Separa las cartas que están pegadas, identificando dónde termina una y empieza la otra, incluso si llegan en milésimas de segundo.

🎯 ¿Por qué es tan importante?

Antes, si dos señales llegaban muy juntas, el sistema las veía como una sola y grande, perdiendo la cuenta exacta. Con este nuevo método:

• Separa lo que está pegado: Puede contar dos cartas que llegan casi al mismo tiempo, algo que antes era imposible.
• Ahorra espacio: En lugar de guardar el video completo de la tormenta (que es enorme), el chip solo envía un mensaje corto: "¡Aquí hubo una carta a las 10:00 y otra a las 10:01!".
• Es instantáneo: Todo esto ocurre en nanosegundos, dentro del propio hardware, sin esperar a que los datos lleguen a un ordenador central.

🌟 La Analogía Final

Imagina que estás en una fiesta muy ruidosa y quieres escuchar a dos amigos que te susurran cosas muy rápido.

• El método viejo: Solo anotas lo que gritan tan fuerte que se oye por encima de la música. Si susurran dos cosas seguidas, las anotas como una sola frase larga.
• El método nuevo (este paper): Tienes unos gafas de realidad aumentada (el chip FPGA) que, en tiempo real, eliminan el ruido de la fiesta y te muestran en una pantalla pequeña exactamente qué dijo cada amigo, separando sus susurros aunque lleguen casi al mismo tiempo.

Conclusión

Este trabajo demuestra que podemos poner "cerebros" inteligentes directamente en los sensores de los detectores de partículas. Esto permite a los científicos del JUNO ver eventos más débiles y rápidos (como explosiones de estrellas) que antes se perdían en el ruido, todo sin llenar sus discos duros con datos basura. Es un paso gigante hacia una física de partículas más eficiente y capaz de escuchar los susurros del universo.

Resumen técnico

Resumen Técnico: Desconvolución de Wiener en Tiempo Real para la Reconstrucción de Características en JUNO

1. Problema y Contexto

El experimento JUNO (Observatorio Subterráneo de Neutrinos de Jiangmen) es un detector de 20 kilotones que utiliza más de 43,000 fotomultiplicadores (PMTs) para detectar luz de centelleo y Cherenkov. El desafío principal radica en la gestión de la enorme cantidad de datos generados:

• Limitaciones de Ancho de Banda: Transmitir todas las formas de onda (WF) completas de los PMTs a la adquisición de datos (DAQ) es inviable debido al alto volumen de datos (aprox. 11 TB/día solo para muones cósmicos).
• Limitaciones del Método Actual (COTI): El algoritmo actual, Continuous Over Threshold Integration (COTI), integra la carga cuando la señal supera un umbral. Sin embargo, falla en distinguir fotoelectrones (PE) cercanos en el tiempo (apilamiento o pileup). Si dos PE ocurren con una separación menor al ancho del pulso (~40 ns), COTI los fusiona en un solo evento, degradando la resolución de energía y la identificación de eventos de baja energía (cruciales para fenómenos astrofísicos transitorios).
• Restricciones de Hardware: El procesamiento debe realizarse en tiempo real dentro de los FPGAs de las tarjetas de lectura (GCU), que tienen recursos computacionales limitados y restricciones de latencia (~100 ns).

2. Metodología: Desconvolución de Wiener en Tiempo Real (RTWD)

Los autores proponen un algoritmo de Desconvolución de Wiener en Tiempo Real (RTWD) implementado directamente en el FPGA. El objetivo es reconstruir los tiempos y cargas de los impactos (hits) individuales de PE, incluso cuando están muy cercanos.

El proceso consta de cuatro etapas principales:

1. Estimación de la Plantilla de Fotoelectrón Único (SPE): Se caracteriza la respuesta media del sistema (PMT + electrónica) utilizando formas de onda de SPE seleccionadas y alineadas.
2. Caracterización del Ruido: Se calcula la Densidad Espectral de Potencia (PSD) del ruido electrónico y ambiental a partir de formas de onda "vacías".
3. Diseño de Filtros FIR: Se diseñan dos filtros de Respuesta al Impulso Finito (FIR) basados en la teoría de Wiener:
   • Filtro de Wiener (Tipo I, 11 taps): Optimizado para maximizar la relación señal-ruido (SNR) y suavizar el ruido sin distorsionar la forma general de la onda.
   • Filtro de Desconvolución (Tipo III, 7 taps): Actúa como un diferenciador que invierte la respuesta del sistema, convirtiendo los pulsos anchos de los PMTs en picos agudos (delta), facilitando la detección de picos individuales.
4. Implementación en FPGA:
   • Seguimiento de Línea Base: Ajuste dinámico del nivel base para compensar derivas y overshoots.
   • Detección de Umbral: Identificación de candidatos a hit.
   • Búsqueda de Picos: Tras la desconvolución, se localizan los máximos locales dentro de ventanas temporales definidas, validando que la forma del pico corresponda a un SPE.

3. Contribuciones Clave

• Algoritmo Híbrido en FPGA: Desarrollo de una implementación eficiente de filtros FIR (Wiener + Desconvolución) que opera a 125 MHz, procesando 8 muestras por ciclo de reloj, logrando una latencia extremadamente baja.
• Resolución de Pileup: La capacidad de separar fotoelectrones con separaciones temporales menores al ancho del pulso original (hasta 0.5 veces el ancho del pico), superando la limitación fundamental del algoritmo COTI.
• Corrección de Artefactos: Identificación y corrección sistemática de dos efectos:
  1. Sesgo negativo (~5%): Causado por la aproximación del filtro Wiener y el ruido residual.
  2. Subestimación de carga (Undershoot): Ocurre cuando un segundo hit llega antes de que el primer pico se estabilice. Se propone una curva de calibración basada en la distancia temporal entre hits para corregir esto.
• Validación Experimental: Uso de un emulador de detector (CAEN DT5810) y la tarjeta GCU real de JUNO para validar el algoritmo bajo condiciones controladas.

4. Resultados

• Identificación de Picos: El RTWD logra una precisión en la identificación del número de hits comparable a la desconvolución offline (que tiene recursos ilimitados) y muy superior a COTI. Mientras COTI solo resuelve dos picos si están separados por más de 1.0 veces el ancho del pulso, RTWD lo hace con separaciones de 0.5.
• Precisión de Carga: Tras la calibración, la carga reconstruida por hit ($Q/N_{hit}$) se aproxima a 1 PE para todas las separaciones temporales. En contraste, COTI tiende a fusionar hits cercanos, resultando en una carga reconstruida de ~2 PE para un solo evento de dos PE.
• Eficiencia de Recursos: La implementación en el FPGA Xilinx Kintex-7 (XC7K325T) utiliza principalmente bloques DSP (74.28% de la capacidad disponible), lo que es el cuello de botella, pero se mantiene dentro de los límites operativos del dispositivo.
• Robustez: El algoritmo mantiene un rendimiento estable ante variaciones de ruido y diferentes configuraciones de amplitud de los hits.

5. Significado e Impacto

Este trabajo demuestra que es posible realizar procesamiento de señales avanzado en tiempo real dentro de las restricciones estrictas de los sistemas de adquisición de datos de física de partículas.

• Mejora de la Física de JUNO: Al permitir la detección precisa de eventos de baja energía y fenómenos transitorios (como supernovas o neutrinos de reactores de baja energía) que anteriormente se perdían o se fusionaban con el ruido de fondo, se mejora significativamente la sensibilidad del experimento.
• Escalabilidad: La metodología no es exclusiva de JUNO; es aplicable a cualquier detector basado en PMTs con electrónica de lectura FPGA, ofreciendo una solución general para el problema del apilamiento de señales en grandes volúmenes de datos.
• Eficiencia Operativa: Al reconstruir características (Tiempo-Carga) en lugar de transmitir formas de onda completas, se reduce drásticamente el volumen de datos almacenados sin sacrificar la información física crítica.

En conclusión, la Desconvolución de Wiener en Tiempo Real representa un avance sustancial en la electrónica de lectura para detectores de neutrinos, equilibrando el rendimiento de reconstrucción de alta precisión con las limitaciones de hardware y ancho de banda.