Tracking performance study of the LHCb UP Detector

Resumen Técnico: Estudio de Seguimiento del Rendimiento del Detector UP de LHCb

Planteamiento del Problema
El experimento LHCb se está preparando para su fase de la Mejora II (Upgrade II), que tiene como objetivo una luminosidad instantánea de hasta $1.0 \times 10^{34} \text{ cm}^{-2}\text{s}^{-1}$. Este aumento en la luminosidad resultará en una ocupación y tasas de datos significativamente mayores, lo que plantea desafíos severos para la reconstrucción de trazas, particularmente en lo que respecta al reconocimiento de patrones en entornos densos. Un componente crítico de esta mejora es la sustitución del actual rastreador de tiras ascendente (UT) por un nuevo detector de píxeles de cuatro planos, el Rastreador de Píxeles Ascendente (UP). Mientras que el UT, basado en sensores de tiras unidimensionales, hace que la reconstrucción de trazas independiente sea poco práctica, el uso de sensores de píxeles monolíticos activos (MAPS) bidimensionales por parte del UP ofrece el potencial para una reconstrucción independiente eficiente. El desafío principal abordado en este trabajo es el desarrollo de algoritmos capaces de reconstruir trazas dentro del detector UP de forma independiente con alta eficiencia y bajas tasas de trazas fantasma (ghost rates), para servir como entradas para la reconstrucción global y para abordar los requisitos de procesamiento en tiempo real bajo condiciones de alta luminosidad.

Metodología
El artículo describe el diseño del detector UP y evalúa dos enfoques distintos para la reconstrucción de trazas independiente:

1. Diseño del Detector: El detector UP consta de cuatro planos de detección ubicados aguas arriba del imán. Cada plano cubre un área activa de aproximadamente $1400 \times 1200 \text{ mm}^2$ con una apertura central para el tubo de haz. El detector está construido a partir de soportes ligeros (staves) que sostienen módulos compuestos por 14 chips MAPS dispuestos en una configuración de $7 \times 2$ sobre circuitos flexibles. El tamaño del píxel es de $50 \times 150 \text{ \mu m}^2$, con un presupuesto de material estimado de $1.2\% X_0$ por plano en el rango $2 < \eta < 4.5$.

2. Algoritmo de Software (Semilla-Hacia Adelante con Optimización):

   • Los autores adaptaron una estrategia de "semilla hacia adelante" (seed-forward), similar a la utilizada en el detector VELO.
   • Proceso: Se seleccionan impactos semilla (seed hits) de una capa de referencia. Se abren ventanas de búsqueda en capas subsiguientes para identificar pares de impactos compatibles, los cuales luego se extrapolan a las capas restantes.
   • Optimización: Para abordar el problema de las "trazas fantasma" causadas por la superposición de módulos y los impactos adicionales, se implementó una "optimización de compartición de impactos" (hit-sharing optimization). Cuando un impacto es compatible con múltiples candidatas a traza, se asigna preferentemente a la candidata con el mayor número de impactos coincidentes.
   • Refinamiento Iterativo: El tamaño de la ventana de búsqueda se optimiza iterativamente para equilibrar la eficiencia de reconstrucción frente a la supresión de la tasa de trazas fantasma.

3. Algoritmo de Hardware (Basado en FPGA - RETINA):

   • Para abordar el flujo de datos en línea proyectado de 200 Tbit/s, los autores investigaron una implementación basada en FPGA utilizando el algoritmo RETINA, desarrollado originalmente para el VELO.
   • Proceso: El algoritmo utiliza una transformación de Hough para mapear el problema de búsqueda de trazas en un espacio de parámetros tetradimensional $(r_0, \phi_0, r_1, \phi_1)$ definido por dos planos de referencia en la entrada y salida del detector.
   • Implementación: El espacio de parámetros se discretiza en celdas (actualmente $150^4$ celdas, reducidas a $\sim 6\text{M}$ celdas activas mediante restricciones de espacio de fase). Los impactos del detector incrementan las celdas correspondientes, y las candidatas a traza se identifican como celdas que contienen al menos tres impactos. Luego, se aplica una regresión lineal basada en $\chi^2$ para refinar las candidatas.

Contribuciones Clave y Resultados
El estudio presenta métricas de rendimiento para ambos métodos de reconstrucción basadas en simulaciones de Monte Carlo:

• Rendimiento del Algoritmo de Software:

  • El algoritmo inicial de semilla hacia adelante logró una eficiencia general del 82.1% con una tasa de trazas fantasma del 11.5%.
  • Tras aplicar la optimización de compartición de impactos, la eficiencia general mejoró al 91.4% (ascendiendo al 97.7% para trazas con momento $p > 5 \text{ GeV}/c$), mientras que la tasa de trazas fantasma se redujo al 3.9%.
  • Los autores señalan que las trazas con $p > 1.5 \text{ GeV}/c$ generalmente siguen líneas rectas, lo que facilita el enfoque de semilla hacia adelante.

• Rendimiento de FPGA/RETINA:

  • El algoritmo RETINA basado en FPGA demostró un rendimiento de seguimiento comparable al enfoque convencional de semilla hacia adelante en términos de eficiencia general.
  • Mostró una mejora notable en la eficiencia de reconstrucción en la región de bajo momento, atribuido a la efectividad de la estrategia de la transformación de Hough en el reconocimiento de patrones dentro del espacio de parámetros de la traza.
  • Sin embargo, la implementación actual en FPGA exhibió una tasa de trazas fantasma ligeramente superior y una eficiencia menor en la región de alto momento en comparación con el algoritmo de software optimizado. Los autores atribuyen esta discrepancia al hecho de que el algoritmo de software ha sido sometido a una optimización extensa (incluyendo la compartición de impactos y la reconstrucción iterativa) que aún no se ha incorporado completamente en la implementación de RETINA.

Significancia y Reivindicaciones
El artículo afirma que el detector UP, combinado con estos algoritmos de reconstrucción, ofrece una solución viable para los desafíos de la Mejora II de LHCb. Específicamente:

• Entradas de Alta Pureza: Las trazas independientes optimizadas proporcionan entradas de alta calidad para la reconstrucción global de LHCb, mejorando la asociación entre segmentos de traza ascendentes y descendentes y mejorando la resolución del momento, particularmente para partículas de bajo $p_T$ y trazas desplazadas de partículas de larga vida.
• Viabilidad en Tiempo Real: El enfoque FPGA-RETINA demuestra el potencial de un seguimiento de baja latencia y altamente paralelizado, lo cual es esencial para la reconstrucción de eventos en tiempo real y el disparo (triggering) en entornos de alta ocupación.
• Perspectiva Futura: Los resultados sugieren que el seguimiento independiente del UP es un componente robusto para futuros sistemas de seguimiento en tiempo real, proporcionando una base para manejar condiciones de luminosidad aún más altas donde el seguimiento acelerado por hardware será crítico.

El trabajo no pretende que la solución de FPGA sea actualmente superior a la solución de software en todas las métricas, sino que logra un rendimiento comparable con el beneficio añadido de la aceleración por hardware, esperándose que la optimización adicional cierre las brechas de rendimiento restantes.