Real-time graph neural networks on FPGAs for the Belle II electromagnetic calorimeter

Cet article présente la première implémentation opérationnelle d'un réseau de neurones à graphes sur FPGA pour le déclenchement en temps réel du calorimètre électromagnétique de l'expérience Belle II, démontrant une latence compatible avec le système de lecture tout en améliorant significativement la résolution de position, la pureté et l'efficacité des clusters par rapport à l'algorithme de base.

L'essentiel

🌟 Le Grand Défi : Trouver l'aiguille dans une botte de foin (en 3 microsecondes)

Imaginez que vous êtes dans une immense salle de concert (le collisionneur SuperKEKB) où des millions de personnes (les particules) se bousculent toutes les secondes. Votre travail est de repérer, en temps réel, quelques personnes spécifiques qui portent des chapeaux rouges (les événements physiques intéressants), tout en ignorant la foule bruyante et les faux mouvements (le bruit de fond).

Le problème ? La salle est si grande et le bruit si fort que si vous essayez de tout noter, vous allez vous noyer dans les données. Vous avez besoin d'un gardien de sécurité ultra-rapide (le "déclencheur" ou trigger) qui doit décider en 3 millionièmes de seconde si un événement est important ou non.

🏗️ L'ancien gardien : Le "Scanner à grille" (ICN-ETM)

Pendant des années, le détecteur Belle II a utilisé un système de sécurité un peu rigide, comme un vieux scanner de supermarché.

• Comment ça marche ? Il regarde la salle par petites fenêtres carrées (des grilles). Si une fenêtre contient assez d'énergie, il crie "C'est un événement !".
• Le problème : Ce système est un peu bête.
  • Il ne peut pas bien distinguer deux personnes qui se tiennent par la main (deux photons proches). Il les voit comme une seule grosse masse.
  • Il se trompe souvent à cause du bruit (les gens qui crient dans le fond).
  • Il est limité : il ne peut gérer que 6 "événements" à la fois. Si la foule est trop dense, il panique et rate des choses.

🧠 Le nouveau gardien : Le "Cerveau Graphique" (GNN-ETM)

Les chercheurs ont décidé de remplacer ce vieux scanner par un cerveau artificiel (une Réseaux de Neurones Graphiques, ou GNN) installé directement sur une puce électronique ultra-rapide (un FPGA).

Voici comment fonctionne ce nouveau gardien, avec une analogie simple :

1. Au lieu de grilles, il voit des "points connectés"

Imaginez que le détecteur est une toile d'araignée géante. Chaque goutte de lumière (chaque cellule du détecteur) est un point sur la toile.

• L'ancien système regardait les points un par un dans des cases.
• Le nouveau système (GNN) regarde la toile entière. Il comprend que si deux points sont proches et brillent ensemble, ils forment probablement une seule personne (un photon), même si le bruit essaie de les séparer. Il utilise la "géométrie" et les relations entre les points pour comprendre la scène.

2. Il est un peu comme un chef d'orchestre

Le système ne se contente pas de compter. Il écoute la "musique" de l'événement :

• Où est la note ? (Position précise).
• Quel est le volume ? (Énergie).
• Est-ce une vraie note ou un bruit ? (Classification signal/bruit).

Grâce à cette intelligence, il peut dire : "Attends, ces deux points brillants sont trop proches pour être deux personnes différentes, c'est une seule personne qui bouge vite" ou "Ah, ce point brillant est juste un écho du bruit, je l'ignore."

⚡ Le défi technique : Le cerveau dans une boîte à chaussures

Le plus incroyable de ce papier, ce n'est pas seulement l'intelligence du système, mais où il vit.

• Habituellement, les cerveaux artificiels (IA) sont lourds et lents, comme un éléphant qui a besoin d'un grand parc (des serveurs géants).
• Ici, les chercheurs ont réussi à réduire cet éléphant à la taille d'une souris pour qu'il puisse vivre dans une boîte à chaussures (une puce électronique FPGA) et courir à la vitesse de l'éclair.

Ils ont fait des miracles d'ingénierie :

• Ils ont "compressé" le cerveau (en enlevant les détails inutiles).
• Ils ont traduit le langage complexe de l'IA en un langage binaire simple que la puce comprend instantanément.
• Résultat : Le cerveau prend une décision en 3,168 microsecondes. C'est plus rapide que le clignement d'un œil !

🏆 Les résultats : Pourquoi c'est une révolution ?

En testant ce nouveau système avec des données réelles et simulées, les résultats sont impressionnants :

1. Il voit plus loin et plus net : Là où l'ancien système voyait deux photons collés comme un seul gros blob, le nouveau système les sépare parfaitement. C'est comme passer d'une photo floue à une photo HD. La précision de la position a gagné jusqu'à 18 %.
2. Il est moins naïf : Il rejette beaucoup mieux le bruit de fond (les faux positifs). Il peut ignorer jusqu'à 20 % de bruit en plus sans perdre les vrais événements.
3. Il a un "sixième sens" : Il possède un petit score de confiance. Il peut dire : "Je suis sûr à 99 % que c'est un vrai photon, mais celui-ci, je suis sûr à 99 % que c'est du bruit." Cela permet de filtrer la foule beaucoup plus efficacement.

🚀 Conclusion : L'avenir est là

Ce papier raconte l'histoire d'une première mondiale : c'est la première fois qu'un cerveau artificiel aussi complexe (un GNN) est installé et fonctionne en temps réel au cœur d'un accélérateur de particules.

C'est comme si on avait réussi à installer un détective privé ultra-intelligent à la place d'un garde de sécurité qui ne fait que compter les têtes. Cela ouvre la porte à la découverte de phénomènes physiques très rares (comme la matière noire) qui étaient auparavant cachés sous le bruit de fond, car le nouveau gardien est assez fin pour les repérer.

En résumé : Des chercheurs ont réussi à mettre un cerveau de détective dans une puce électronique pour trier la lumière de l'univers en une fraction de seconde.

Résumé technique

1. Problématique et Contexte

L'expérience Belle II, située au collisionneur SuperKEKB au Japon, vise à étudier la physique des saveurs avec une précision inégalée. Cependant, l'augmentation de la luminosité instantanée entraîne une hausse significative des bruits de fond induits par le faisceau (beam-induced backgrounds).

Le système de déclenchement de niveau 1 (L1) actuel de l'calorimètre électromagnétique (ECL) de Belle II, basé sur une logique algorithmique fixe (ICN - Isolated Cluster Number) implémentée sur FPGA, présente plusieurs limitations critiques face à ces nouvelles conditions :

• Granularité et résolution : L'algorithme actuel utilise des fenêtres fixes de 3x3 cellules de déclenchement (TC) et ne peut pas distinguer efficacement deux photons proches (non isolés), ce qui réduit l'efficacité pour les désintégrations de pions neutres boostés ou les particules exotiques légères.
• Limites de ressources : Le système est limité à un maximum de 6 clusters par événement et ne filtre pas les doublons de détections, ce qui fausse le comptage des clusters.
• Résolution de position : La résolution de position pour les clusters de haute énergie est médiocre car elle repose sur la position de la seule cellule la plus énergétique.
• Inflexibilité : La logique fixe ne s'adapte pas bien aux variations des conditions de bruit de fond, rendant difficile la séparation des signaux physiques réels du bruit.

L'objectif est de développer un algorithme de déclenchement capable de traiter des structures de données irrégulières, de séparer des clusters proches et de fournir une classification signal/bruit, tout en respectant les contraintes de latence stricte (quelques microsecondes) et de débit (8 MHz) du système L1.

2. Méthodologie

Les auteurs ont développé GNN-ETM, un module de déclenchement L1 basé sur un Réseau de Neurones à Graphes (GNN) implémenté en temps réel sur un FPGA.

Architecture du Modèle (CaloClusterNet)

• Représentation en graphe : Les cellules de déclenchement (TC) de l'ECL sont traitées comme des nœuds d'un graphe. Les arêtes sont dynamiquement construites en fonction des relations spatiales apprises (via des couches GravNet), permettant de capturer les corrélations spatiales des dépôts d'énergie.
• Apprentissage par condensation d'objets (Object Condensation) : Au lieu de prédire un nombre fixe de clusters, le modèle utilise une perte de condensation d'objets. Il projette les nœuds dans un espace latent où les nœuds appartenant au même objet physique (photon) s'attirent, tandis que ceux d'objets différents se repoussent.
• Sorties du modèle : Pour chaque cluster identifié, le réseau prédit :
  • L'énergie (via un facteur d'échelle appliqué à l'énergie des TC).
  • La position 3D (x, y, z).
  • Un score de classification signal/bruit ($p_{signal}$).
  • Une valeur $\beta$ pour identifier les points de condensation (centres des clusters).

Implémentation Matérielle (FPGA)

Le défi principal était de déployer ce modèle complexe sur un FPGA (AMD Ultrascale XCVU190) avec une latence inférieure à 5 µs.

• Compression et Quantification : Utilisation de la quantification mixte (QKERAS) pour convertir les poids et activations en nombres à virgule fixe (ex: Q3.5, Q4.10).
• Élagage (Pruning) : Application d'un élagage de faible magnitude (40 %) pour réduire les multiplications.
• Accélérateur de flux de données : Architecture pipelinée sur FPGA utilisant des éléments de traitement (PE) pour les couches denses, les opérations de graphe (GravNetConv) et l'algorithme de sélection des points de condensation (CPS).
• Intégration : Le système est intégré dans la chaîne de déclenchement via le sous-système Belle2Link, assurant une synchronisation avec les autres composants.

3. Contributions Clés

1. Première opération d'un GNN dans un déclenchement L1 de collisionneur : C'est la première fois qu'un algorithme de reconstruction basé sur un GNN est déployé et opère dans le chemin de déclenchement temps réel d'une expérience de physique des hautes énergies.
2. Architecture FPGA optimisée : Développement d'un accélérateur de flux de données capable de gérer des graphes dynamiques avec une latence déterministe de 3,168 µs, compatible avec les contraintes de 8 MHz de SuperKEKB.
3. Stratégie de clustering flexible : Remplacement de la logique de fenêtre fixe par une approche basée sur l'apprentissage profond capable de résoudre des photons proches et de gérer les bruits de fond complexes.
4. Classification signal/bruit intégrée : Introduction d'un score de confiance pour rejeter les clusters de bruit de fond tout en conservant les signaux physiques, une fonctionnalité absente du déclencheur ICN actuel.

4. Résultats

L'évaluation a été réalisée sur des données simulées et des données de collision réelles (Run A, décembre 2024).

• Performance de résolution :
  • Position : La résolution de position des clusters de haute énergie s'améliore jusqu'à 18 % dans la région centrale (baril) par rapport au déclencheur ICN.
  • Énergie : La résolution en énergie est comparable à celle du déclencheur de base.
• Efficacité et Pureté :
  • Clusters isolés : L'efficacité est maintenue à ~100 %.
  • Clusters superposés (non isolés) : L'efficacité de détection des clusters proches (photons de pions neutres) s'améliore jusqu'à 20 % par rapport à ICN.
  • Pureté : La pureté des clusters à basse énergie augmente jusqu'à 20 % pour les clusters isolés.
• Suppression du bruit de fond :
  • Grâce au classificateur de signal, le système peut rejeter jusqu'à 70 % des clusters de bruit de fond tout en conservant 97,5 % des signaux physiques (dans la gamme d'énergie 0,15–0,25 GeV).
  • Cela permet de réduire le taux de déclenchement global dans des conditions de bruit de fond élevé.
• Validation Matérielle :
  • La latence totale de bout en bout est de 3,168 µs (2,052 µs pour l'accélérateur GNN).
  • L'utilisation des ressources FPGA est importante (environ 51 % des LUT, 100 % des DSP), mais le système fonctionne de manière synchrone avec le déclencheur existant.

5. Signification et Impact

Ce travail marque une étape majeure dans l'adoption de l'intelligence artificielle pour le déclenchement en temps réel (L1) en physique des hautes énergies.

• Preuve de concept : Il démontre que des architectures de réseaux de neurones complexes (GNN) peuvent être exécutées sur du matériel FPGA avec des contraintes de latence et de ressources extrêmement sévères.
• Amélioration de la physique : En améliorant la capacité à séparer les photons proches et à rejeter le bruit de fond, GNN-ETM permet de détecter des processus physiques rares (comme les désintégrations de pions neutres boostés ou la matière noire légère) qui seraient autrement perdus ou masqués par le bruit avec l'algorithme ICN actuel.
• Avenir des déclencheurs : Cette réussite ouvre la voie à l'utilisation de modèles d'apprentissage profond plus sophistiqués dans les futurs collisionneurs (comme le HL-LHC), où les taux de données et la complexité des événements rendront les algorithmes traditionnels obsolètes.

En résumé, GNN-ETM représente une transition technologique réussie d'une logique de déclenchement basée sur des règles fixes vers une reconstruction basée sur l'apprentissage, offrant une flexibilité et une précision supérieures pour l'expérience Belle II.