Real-Time Wiener Deconvolution for feature reconstruction in JUNO

Questo articolo presenta un algoritmo di deconvoluzione di Wiener in tempo reale implementato su FPGA per l'osservatorio JUNO, progettato per ricostruire i segnali dei fotomoltiplicatori e migliorare il rilevamento di depositi energetici a bassa energia altrimenti persi a causa del rumore di fondo.

L'essenziale

🌊 Il "Filtro Magico" che salva le notizie nel mare di JUNO

Immagina di essere in una stanza enorme e buia (il JUNO, un laboratorio sotterraneo in Cina) piena di migliaia di orecchie sensibili (i fotomoltiplicatori). Queste orecchie ascoltano la luce prodotta dai neutrini, particelle fantasma che attraversano tutto.

Il problema? La stanza è rumorosa. C'è un fruscio di fondo continuo (il rumore elettronico) e, a volte, le orecchie si confondono quando due suoni arrivano troppo vicini tra loro, fondendoli in un unico "boato" indistinto. Se registrassimo tutto il rumore minuto per minuto, i computer si impazzirebbero e i dischi rigidi si riempirebbero in un attimo.

Gli scienziati hanno bisogno di un modo per:

1. Ascoltare solo il segnale importante (il neutrino).
2. Separare i suoni vicini (due neutrini che arrivano quasi insieme).
3. Fare tutto questo in tempo reale, mentre i dati stanno arrivando, senza aspettare di analizzare tutto dopo.

La soluzione proposta in questo articolo è un nuovo "filtro intelligente" chiamato Deconvoluzione di Wiener in Tempo Reale.

🧩 L'Analogia: Il Cuoco e la Zuppa

Immagina che il segnale del neutrino sia una zuppa perfetta che un cuoco ha preparato.

• Il problema: Durante il trasporto, qualcuno ha versato della sabbia nella zuppa (il rumore) e ha mescolato due cucchiai di zuppa vicini in modo che sembrassero un unico blocco appiccicoso (il pile-up o sovrapposizione).
• Il metodo vecchio (COTI): Era come prendere un setaccio grossolano. Se la zuppa era troppo appiccicosa, il setaccio non riusciva a separare i due cucchiai e li contava come uno solo. Inoltre, per non perdere la zuppa, si doveva buttare via molta acqua (perdita di dati a bassa energia).
• Il nuovo metodo (RTWD): È come avere un robot cuoco super-intelligente (il chip FPGA sulla scheda di lettura) che lavora mentre la zuppa viene versata.

⚙️ Come funziona il Robot Cuoco (L'Algoritmo)

Il robot ha due compiti principali, eseguiti in una frazione di secondo:

1. Il Filtro Anti-Sabbia (Filtro di Wiener):
   Il robot sa esattamente come suona la "sabbia" tipica della stanza. Quindi, quando sente il fruscio, lo cancella matematicamente, lasciando solo il sapore puro della zuppa (il segnale del neutrino). Questo rende il segnale molto più chiaro.

2. Il Taglio Preciso (Deconvoluzione):
   Qui sta la magia. Quando due cucchiai di zuppa arrivano troppo vicini, il robot sa che la zuppa tende ad "allungarsi" e a creare un'ombra sotto il secondo cucchiaio. Il robot usa un trucco matematico per "stirare" la zuppa e separare i due cucchiai, rendendo visibili i picchi che prima erano nascosti.

🚀 Perché è importante?

Prima di questo lavoro, se due neutrini arrivavano a distanza di un battito di ciglia (pochi nanosecondi), il sistema li vedeva come un solo evento grande. Questo era un disastro perché:

• Si perdeva l'informazione su quanti neutrini fossero arrivati davvero.
• Si sbagliava a calcolare l'energia totale.

Con il nuovo sistema:

• Vediamo il doppio: Riusciamo a distinguere due neutrini vicini come se fossero due persone che parlano in una stanza rumorosa, invece di sentire un unico urlo confuso.
• Risparmiamo spazio: Invece di salvare ore di registrazione audio (i dati grezzi), il robot scrive solo un bigliettino che dice: "Alle 14:00:05,001 c'è stato un neutrino con energia X". Questo permette di salvare dati che prima venivano scartati perché sembravano solo rumore.

🏗️ Il "Motore" del Robot (FPGA)

Tutto questo non avviene su un computer potente in un ufficio, ma direttamente sulla scheda elettronica che legge i sensori, grazie a un chip chiamato FPGA.
Pensalo come un cantiere edile che si costruisce da solo: gli scienziati hanno programmato questo chip per diventare un "filtro" specifico. È veloce, efficiente e non si stanca mai. Anche se ha risorse limitate (come un artigiano con pochi attrezzi), è stato progettato per fare esattamente questo lavoro con la massima precisione.

🏁 In sintesi

Questo articolo racconta come gli scienziati del JUNO abbiano inventato un nuovo modo per "pulire" e "separare" i segnali dei neutrini in tempo reale.
È come passare da un vecchio registratore che confonde tutte le voci a un assistente personale AI che, mentre parli, trascrive ogni singola parola, cancella i rumori di fondo e ti dice esattamente quante persone hanno parlato, anche se hanno parlato tutte insieme.

Questo permette di scoprire cose nuove sull'universo (come le esplosioni di stelle o i neutrini solari) che prima erano invisibili perché sepolte nel "fruscio" o nel caos dei dati.

Sommario tecnico

Titolo: Deconvoluzione di Wiener in Tempo Reale per la Ricostruzione di Feature nel JUNO

1. Il Problema

Gli esperimenti di fisica delle particelle, in particolare quelli basati su fotomoltiplicatori (PMT) come l'osservatorio JUNO (Jiangmen Underground Neutrino Observatory), generano enormi volumi di dati. La sfida principale risiede nella gestione del flusso di dati ad alta velocità e nella necessità di preservare le caratteristiche del segnale (tempo e carica) senza saturare la banda di trasmissione verso il sistema di acquisizione dati (DAQ).

Il metodo attuale utilizzato da JUNO, chiamato COTI (Continuous Over Threshold Integration), presenta limiti significativi:

• Fusione di eventi vicini: Se due fotoelettroni (PE) colpiscono il PMT con una distanza temporale inferiore alla larghezza dell'impulso (circa 40 ns), il segnale non scende sotto la soglia tra un evento e l'altro. Di conseguenza, l'algoritmo COTI fonde i due impulsi in un singolo "hit", sottostimando il numero di PE e degradando la risoluzione energetica.
• Rumore di fondo: A basse energie, il segnale è fortemente contaminato dal rumore di fondo naturale, rendendo difficile l'identificazione di eventi deboli senza generare un tasso di trigger eccessivo.
• Vincoli di risorse: L'hardware di lettura (FPGA) ha risorse computazionali limitate; processare l'intera forma d'onda ad alta frequenza per ogni canale è proibitivo in termini di banda e memoria.

2. Metodologia

Gli autori propongono un nuovo algoritmo di ricostruzione in tempo reale chiamato Real-Time Wiener Deconvolution (RTWD), implementato direttamente sulla FPGA integrata nelle schede di lettura (GCU) del JUNO.

La metodologia si basa su quattro fasi principali:

1. Stima del Template SPE: Viene caratterizzata la risposta impulsiva media del sistema (PMT + elettronica) utilizzando forme d'onda di singoli fotoelettroni (SPE) per creare un "template" di riferimento.
2. Caratterizzazione del Rumore: Viene calcolata la Densità Spettrale di Potenza (PSD) del rumore elettronico e ambientale acquisendo forme d'onda "vuote".
3. Progettazione dei Filtri FIR:
   • Filtro di Wiener: Un filtro FIR di Tipo I (simmetrico) progettato per massimizzare il rapporto Segnale/Rumore (SNR), agendo come filtro passa-basso per ridurre il rumore senza distorcere eccessivamente la forma d'onda.
   • Filtro di Deconvoluzione: Un filtro FIR di Tipo III (antisimmetrico, derivatore) calcolato come reciproco dello spettro di ampiezza del template. Questo filtro "appiattisce" la risposta del sistema, trasformando gli impulsi allargati in picchi acuti (delta di Dirac), facilitando la distinzione tra eventi vicini.
4. Implementazione in VHDL: L'algoritmo è stato codificato in RTL (Register Transfer Level) per la FPGA Xilinx Kintex-7. La pipeline include:
   • Baseline Tracker: Stima e sottrazione della linea di base in tempo reale.
   • Over-threshold Check: Identificazione dei candidati hit.
   • FIR Filters: Applicazione sequenziale dei filtri di Wiener e Deconvoluzione.
   • Peak Finding: Rilevamento dei picchi massimi sulla forma d'onda deconvoluta per estrarre tempo e carica.

3. Contributi Chiave

• Risoluzione del Pile-up: L'approccio RTWD permette di distinguere correttamente fotoelettroni che arrivano a distanze temporali molto brevi (fino a 0.5 volte la larghezza del picco), risolvendo il problema principale del COTI che fonde tali eventi.
• Efficienza delle Risorse FPGA: Nonostante la complessità matematica della deconvoluzione, l'uso di filtri FIR a breve lunghezza (11 tap per Wiener, 7 tap per Deconvoluzione) e l'ottimizzazione del flusso dati (8 campioni per ciclo di clock) permettono l'esecuzione in tempo reale con un impatto minimo sulle risorse della FPGA.
• Calibrazione dell'Undershoot: Gli autori identificano e correggono un effetto di "undershoot" (sottostima della carica del secondo hit) causato dalla risposta residua del filtro di deconvoluzione, proponendo una curva di calibrazione basata sulla distanza temporale tra gli hit.
• Parità con l'Offline: L'algoritmo in tempo reale raggiunge prestazioni di identificazione dei picchi paragonabili a quelle degli algoritmi di deconvoluzione eseguiti offline su CPU, che tradizionalmente sono considerati lo standard di riferimento.

4. Risultati

I test sono stati condotti utilizzando un emulatore di rivelatore CAEN e la scheda GCU reale del JUNO, confrontando RTWD, COTI e una deconvoluzione offline.

• Identificazione del Numero di Hit:
  • Per impulsi separati di 0.5 volte la larghezza del picco, il COTI fallisce nel 99.5% dei casi (fonde gli hit), mentre RTWD commette errori solo nel 1.6%, con prestazioni simili alla deconvoluzione offline.
  • RTWD mantiene un'alta efficienza di identificazione corretta del numero di hit anche per separazioni temporali ridotte.
• Ricostruzione della Carica:
  • Senza calibrazione, RTWD mostra un bias negativo di circa il 5% dovuto al rumore residuo e un'undershoot per hit vicini.
  • Dopo l'applicazione della procedura di calibrazione proposta, la distribuzione della carica ricostruita si concentra attorno al valore atteso (1 PE), eliminando la doppia popolazione (primo vs secondo hit) osservata nel metodo grezzo.
• Metrica Q/Nhit: Il rapporto tra carica totale e numero di hit ricostruiti rimane vicino a 1 per RTWD su tutto il range di distanze, mentre per il COTI sale verso 2 quando gli hit vengono fusi erroneamente.
• Utilizzo delle Risorse: L'implementazione occupa il 74.28% delle risorse DSP48E1 disponibili sulla FPGA (624 su 840), confermando che i filtri FIR sono il collo di bottiglia principale, ma comunque gestibile entro i limiti del dispositivo.

5. Significato e Impatto

Questo lavoro dimostra che è possibile implementare algoritmi avanzati di elaborazione del segnale (come la deconvoluzione di Wiener) direttamente sulle FPGA di front-end, superando i limiti degli approcci tradizionali basati su soglia semplice.

• Per JUNO: Migliora significativamente la risoluzione energetica a basse energie e la capacità di distinguere eventi complessi, cruciale per lo studio delle oscillazioni dei neutrini e per la rilevazione di fenomeni astrofisici transienti (es. supernove) che producono segnali a bassa energia e ad alto tasso.
• Per la Fisica in Generale: Dimostra la fattibilità di tecniche di "feature extraction" sofisticate in tempo reale, riducendo la quantità di dati grezzi da trasmettere e archiviare senza perdere informazioni fisiche critiche. Questo approccio è scalabile e applicabile ad altri esperimenti basati su PMT con elettronica di lettura FPGA.

In sintesi, il paper valida una soluzione hardware/software che trasforma la capacità di calcolo delle FPGA da semplici acquirenti di dati a processori intelligenti in tempo reale, abilitando una fisica più precisa in condizioni di alto rumore e alto tasso di eventi.