Machine Learning Enables Real-Time Waveform Decomposition for Dual-Readout Calorimetry

Ce papier démontre que les modèles d'apprentissage automatique peuvent séparer efficacement les signaux Tcherenkov et de scintillation dans les calorimètres à double lecture à des taux d'échantillonnage plus faibles avec une latence compatible FPGA, offrant une alternative pratique en temps réel à l'ajustement de modèles traditionnel pour les futurs détecteurs d'usines de Higgs.

L'essentiel

Imaginez que vous essayez d'écouter un duo où deux musiciens jouent exactement en même temps. L'un (la lumière Tcherenkov) joue un très court et net « ping » qui se produit instantanément. L'autre (la lumière de scintillation) joue un long bourdonnement lent et déclinant qui dure un certain temps.

Dans le monde de la physique des particules, les scientifiques utilisent des cristaux spéciaux pour capter ces « notes » émises par des particules subatomiques. Pour comprendre quelle était la particule, ils doivent déterminer exactement quelle proportion de « ping » et quelle proportion de « bourdonnement » se trouvent dans le mélange. C'est ce qu'on appelle la calorimétrie à double lecture.

Voici le problème : à l'avenir, ces détecteurs de particules seront si sollicités qu'ils produiront un flot massif de données. S'ils tentent d'enregistrer chaque minuscule détail de l'onde sonore (la forme d'onde) pour séparer les deux musiciens, le flux de données sera si énorme qu'il engorgera le système, comme essayer de télécharger un film en résolution 4K via une connexion commutée.

L'ancienne méthode : l'enquêteur lent et méticuleux
Traditionnellement, les scientifiques ont utilisé une méthode appelée ajustement par modèle (Template Fitting). Imaginez un enquêteur qui possède une bibliothèque d'enregistrements parfaits du « ping » et du « bourdonnement ». Lorsqu'un nouvel enregistrement, brouillé, arrive, l'enquêteur tente d'ajuster mathématiquement le volume des enregistrements parfaits jusqu'à ce qu'ils correspondent à l'enregistrement brouillé.

• Le hic : Cet enquêteur est très méticuleux mais très lent. Il doit effectuer des calculs complexes pour chaque enregistrement individuel. Si l'enregistrement est de mauvaise qualité (faible taux d'échantillonnage), l'enquêteur se trompe et fait des erreurs. Pour obtenir de bons résultats, il a besoin d'un enregistrement ultra-rapide et haute définition, ce qui crée ce problème de flot massif de données.

La nouvelle méthode : le musicien IA
Cet article présente une nouvelle approche utilisant l'apprentissage automatique (Machine Learning - ML). Au lieu d'un enquêteur lent, ils ont entraîné une IA compacte (un réseau de neurones) à écouter l'enregistrement brouillé et à deviner instantanément le volume du « ping » et du « bourdonnement ».

• La magie : L'IA est comme un musicien chevronné qui a entendu des milliers de ces duos. Même si l'enregistrement est flou ou de mauvaise qualité (faible taux d'échantillonnage), l'IA peut toujours distinguer le « ping » net du « bourdonnement » lent, presque instantanément.

Ce que l'article a découvert
Les chercheurs ont testé cette IA sur trois types différents d'« instruments » en cristal (BGO, BSO et PWO), chacun ayant des caractéristiques sonores différentes :

1. Vitesse contre qualité : L'IA pouvait fonctionner avec des enregistrements de bien moindre qualité (taux d'échantillonnage plus faible) que l'ancienne méthode de l'enquêteur. Même avec un enregistrement « flou », l'IA était tout aussi précise que l'enquêteur avec un enregistrement « cristallin ».
2. Une solution pour tous : Ils ont entraîné un seul modèle d'IA sur un mélange d'énergies de particules différentes (de faibles à fortes). Ce modèle unique fonctionnait parfaitement dans tous les cas, ce qui signifie qu'ils n'ont pas besoin de le réentraîner pour chaque nouvelle situation.
3. Qui tient dans la poche (FPGA) : La partie la plus excitante est que l'IA est suffisamment petite et efficace pour être intégrée directement dans l'électronique du détecteur (spécifiquement, une puce appelée FPGA). Cela signifie que le détecteur peut effectuer l'« écoute » et la « séparation » directement à la source, avant même que les données ne quittent la machine. Cela réduit considérablement la quantité de données qui doivent être envoyées.

En résumé
L'article prouve qu'en utilisant une IA intelligente et compacte, nous pouvons séparer ces deux types de signaux lumineux beaucoup plus efficacement qu'auparavant. Cela permet aux futurs détecteurs de particules d'être « plus intelligents » à la source, de gérer d'énormes quantités de données sans être submergés, ce qui est crucial pour la prochaine génération de collisionneurs de particules.

Résumé technique

1. Énoncé du problème

Les calorimètres à double lecture constituent une technologie de premier plan pour les futures expériences de physique des hautes énergies (par exemple, FCC-ee) car ils mesurent simultanément la lumière Tcherenkov (C) et la lumière de scintillation (S). Cette double mesure permet une correction événement par événement de la fraction électromagnétique, améliorant considérablement la résolution en énergie hadronique.

Cependant, l'extraction de ces deux composantes à partir d'un signal composite présente des défis majeurs :

• Chevauchement des signaux : La lumière Tcherenkov est prompte, tandis que la lumière de scintillation présente une décroissance plus lente et dépendante du cristal. Leur séparation nécessite l'analyse de la forme temporelle de l'onde.
• Goulot d'étranglement du débit de données : Les méthodes traditionnelles d'ajustement par modèle (template fitting) nécessitent des taux d'échantillonnage élevés (par exemple, 3,125 GHz) pour résoudre avec précision la forme de l'onde. Dans les collisionneurs à haute luminosité, la lecture complète des ondes à ces taux génère des volumes de données et une consommation d'énergie prohibitifs.
• Coût computationnel : L'ajustement par modèle implique une minimisation itérative (par exemple, algorithmes Simplex/MIGRAD), ce qui est coûteux en calcul et incompatible avec le traitement en temps réel dans l'électronique de front-end.
• Dégradation des performances : La réduction du taux d'échantillonnage pour économiser la bande passante entraîne une dégradation rapide des performances de l'ajustement par modèle, car l'onde devient sous-contrainte pour l'optimisation multi-paramètres.

L'article répond au besoin d'une méthode en temps réel, à faible latence et économe en bande passante pour décomposer ces ondes directement dans l'électronique de front-end (Machine Learning en périphérie ou Edge Machine Learning).

2. Méthodologie

Les auteurs proposent de remplacer l'ajustement par modèle conventionnel par des réseaux de neurones profonds compacts (DNN) déployés sur des circuits intégrés reconfigurables (FPGA).

A. Simulation et génération de données

• Modèle de détecteur : Un calorimètre hybride à double lecture (ECAL en cristal homogène + HCAL échantillonné) a été simulé à l'aide de Geant4.
• Cristaux étudiés : Trois cristaux représentatifs aux caractéristiques de décroissance distinctes ont été utilisés :
  • BGO : Rendement lumineux élevé, décroissance très lente (queue dominante de 320 ns).
  • BSO : Rendement modéré, décroissance bi-exponentielle.
  • PWO : Décroissance rapide, fort chevauchement temporel avec la lumière Tcherenkov.
• Synthèse des ondes : Des ondes composites ont été générées en convoluant les temps d'arrivée des photons (Tcherenkov vs Scintillation) avec des modèles de réponse à un photon unique (SPR). Les sources de bruit comprenaient les comptes sombres des SiPM et des décalages temporels aléatoires ($t_0$) pour simuler les variations de synchronisation.
• Vérité terrain : Chaque onde a été étiquetée avec le vrai nombre de photons Tcherenkov ($c$), de photons de scintillation ($s$) et le décalage temporel ($t_0$).

B. Architecture d'apprentissage automatique

• Type de modèle : Un réseau de neurones entièrement connecté (FCNN) compact.
• Architecture : Entrée $\to$ FC(16, ReLU) $\to$ FC(24, ReLU) $\to$ FC(8, ReLU) $\to$ FC(3, Linéaire).
• Tâche : Régression directe des paramètres $(c, s, t_0)$ à partir de l'onde numérisée en une seule passe avant.
• Stratégie d'entraînement :
  • Entraîné sur un ensemble de données combiné d'électrons et de kaons neutres à plusieurs énergies (1, 5, 10, 30 GeV) pour assurer l'indépendance énergétique.
  • Fonction de perte : Erreur quadratique moyenne pondérée (MSE) avec des poids $(4,0, 1,0, 0,3)$ pour privilégier la précision du comptage de photons par rapport au timing.
  • Sous-échantillonnage : Les ondes de base à 3,125 GHz ont été sous-échantillonnées par des facteurs de 10, 20, 50 et 300 (jusqu'à 10,4 MHz) pour évaluer les performances à des débits de données réduits.

C. Déploiement FPGA

• Synthèse : Les modèles ont été convertis en matériel à l'aide de hls4ml (Synthèse de haut niveau).
• Optimisation : Pour s'adapter aux ressources FPGA, les auteurs ont appliqué l'élagage basé sur la magnitude et l'entraînement conscient de la quantification (QAT).
• Quantification : L'arithmétique à virgule fixe a été utilisée pour éliminer le besoin de blocs DSP, en s'appuyant plutôt sur des opérations de décalage et d'addition.

3. Contributions clés

1. Comparaison systématique : La première comparaison rigoureuse entre l'ajustement par modèle et le ML pour la décomposition d'ondes à double lecture sur trois types de cristaux distincts.
2. Supériorité à faible taux : Démonstration que les modèles ML peuvent atteindre une précision comparable ou supérieure à l'ajustement par modèle à des taux d'échantillonnage significativement réduits (par exemple, 10,4 MHz contre 3,125 GHz).
3. Modèle universel : Démonstration qu'un modèle unique entraîné sur une large gamme d'énergies (1–30 GeV) se généralise de manière robuste sans réentraînement, une exigence critique pour les environnements de collisionneurs.
4. Faisabilité matérielle : Preuve que les modèles ML compressés peuvent être synthétisés en firmware FPGA avec des latences < 25 ns et une utilisation des ressources adaptée au traitement en temps réel de front-end (30k–330k LUT).

4. Résultats clés

Performance vs Taux d'échantillonnage

• Extraction du comptage de photons : Au taux d'échantillonnage le plus bas (10,4 MHz), l'approche ML a atteint une erreur au 68e percentile ($err_{68}$) de ~5% pour les comptes Tcherenkov et de scintillation. Cette performance égale ou dépasse l'ajustement par modèle fonctionnant à la base complète de 3,125 GHz.
• Extraction du timing : Bien que le ML à 10,4 MHz ne puisse surpasser l'ajustement par modèle à 3,125 GHz (en raison d'une perte d'information fondamentale due au sous-échantillonnage), il surpasse considérablement l'ajustement par modèle lorsque les deux sont exécutés au même taux faible (10,4 MHz).
• Spécificités des cristaux :
  • BGO : Le ML excellait dans la séparation du petit signal Tcherenkov de la queue de scintillation écrasante.
  • PWO : Malgré le chevauchement temporel sévère, le ML a maintenu des performances compétitives à faible taux où l'ajustement par modèle échouait.

Efficacité des ressources (FPGA)

• Latence : Tous les modèles compressés ont atteint des latences d'inférence de 25 ns, compatibles avec les taux de croisement de paquets du FCC-ee.
• Ressources :
  • Modèles 10,4 MHz : ~30k LUT, 213 FF, 0 DSP.
  • Modèles 312,5 MHz : ~310k LUT, ~4k FF, 0 DSP.
• Compromis : L'analyse de la frontière de Pareto a montré que des économies computationnelles substantielles sont possibles en sélectionnant des taux d'échantillonnage plus faibles sans sacrifier les performances physiques.

Généralisation

• Le modèle entraîné multi-énergies a reconstruit avec succès des événements sur tout le spectre énergétique (1–30 GeV) sans dégradation, validant son utilisation pour des énergies de faisceau inconnues.

5. Importance

Ce travail établit le Machine Learning en périphérie (Edge Machine Learning) comme une alternative viable et supérieure à l'ajustement par modèle traditionnel pour la calorimétrie à double lecture.

• Atténuation du débit de données : En permettant une extraction précise du signal à des taux d'échantillonnage 100 à 300 fois inférieurs à ceux actuellement requis, le ML réduit considérablement la bande passante de données et la consommation d'énergie du système de lecture.
• Traitement en temps réel : La capacité d'effectuer une décomposition complexe d'ondes directement sur le détecteur (sur FPGA) permet des détecteurs "intelligents" capables d'extraction de caractéristiques intelligente avant que les données ne quittent le détecteur.
• Impact futur : Cette approche fournit une voie pratique pour mettre en œuvre la calorimétrie à double lecture dans les usines de Higgs de nouvelle génération (comme le FCC-ee), où les débits de données à haute luminosité rendraient autrement impossible la lecture complète des ondes.