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

Questo articolo dimostra che i modelli di machine learning possono separare efficacemente i segnali Cherenkov e di scintillazione nei calorimetri a doppia lettura a tassi di campionamento inferiori con latenza compatibile con FPGA, offrendo un'alternativa pratica in tempo reale al fitting tradizionale dei template per i futuri rivelatori di fabbriche di Higgs.

L'essenziale

Immagina di cercare di ascoltare un duetto in cui due musicisti suonano esattamente allo stesso tempo. Un musicista (la luce Cherenkov) esegue un "ping" molto breve e netto che avviene istantaneamente. L'altro musicista (la luce di scintillazione) esegue un ronzio lungo, lento e in decadenza che dura per un po'.

Nel mondo della fisica delle particelle, gli scienziati utilizzano cristalli speciali per catturare queste "note" provenienti da particelle subatomiche. Per capire di quale particella si tratti, devono determinare esattamente quanto "ping" e quanto "ronzio" fossero presenti nel mix. Questo è chiamato Calorimetria a Doppia Lettura.

Ecco il problema: in futuro, questi rivelatori di particelle saranno così occupati da produrre un'enorme inondazione di dati. Se cercassero di registrare ogni singolo minuscolo dettaglio dell'onda sonora (la forma d'onda) per separare i due musicisti, il flusso di dati sarebbe così enorme da intasare il sistema, come tentare di scaricare un film in risoluzione 4K tramite una connessione dial-up.

Il Vecchio Metodo: L'Investigatore Lento e Attento
Tradizionalmente, gli scienziati hanno utilizzato un metodo chiamato Adattamento di Modello (Template Fitting). Immagina un investigatore che possiede una biblioteca di registrazioni perfette del "ping" e del "ronzio". Quando arriva una nuova registrazione disordinata, l'investigatore cerca di regolare matematicamente il volume delle registrazioni perfette finché non corrispondono a quella disordinata.

• Il Problema: Questo investigatore è molto accurato ma molto lento. Deve eseguire calcoli complessi per ogni singola registrazione. Se la registrazione è di bassa qualità (bassa frequenza di campionamento), l'investigatore si confonde e commette errori. Per ottenere buoni risultati, ha bisogno di una registrazione super veloce e ad alta definizione, il che crea quel problema di inondazione di dati massiccia.

Il Nuovo Metodo: Il Musicista AI
Questo articolo introduce un nuovo approccio utilizzando l'Apprendimento Automatico (Machine Learning - ML). Invece di un investigatore lento, hanno addestrato un'AI compatta (una rete neurale) ad ascoltare la registrazione disordinata e indovinare istantaneamente il volume del "ping" e del "ronzio".

• La Magia: L'AI è come un musicista esperto che ha ascoltato migliaia di questi duetti. Anche se la registrazione è sgranata o di bassa qualità (bassa frequenza di campionamento), l'AI riesce comunque a distinguere il "ping" netto dal "ronzio" lento quasi istantaneamente.

Cosa ha Scoperto l'Articolo
I ricercatori hanno testato questa AI su tre diversi tipi di "strumenti" in cristallo (BGO, BSO e PWO), ciascuno con caratteristiche sonore diverse:

1. Velocità vs Qualità: L'AI poteva lavorare con registrazioni di qualità molto inferiore (minori frequenze di campionamento) rispetto al vecchio metodo dell'investigatore. Anche con una registrazione "sgranata", l'AI era altrettanto precisa quanto l'investigatore con una registrazione "cristallina".
2. Una Soluzione per Tutti: Hanno addestrato un singolo modello AI su un mix di diverse energie delle particelle (da deboli a forti). Questo unico modello ha funzionato perfettamente in ogni situazione, il che significa che non è necessario riaddestrarlo per ogni nuova circostanza.
3. Che Sta nella Tasca (FPGA): La parte più entusiasmante è che l'AI è abbastanza piccola ed efficiente da essere integrata direttamente nell'elettronica del rivelatore (nello specifico, un chip chiamato FPGA). Ciò significa che il rivelatore può eseguire l'"ascolto" e la "separazione" direttamente alla fonte, prima che i dati lascino anche solo la macchina. Questo riduce drasticamente la quantità di dati che devono essere inviati.

La Conclusione
L'articolo dimostra che, utilizzando un'AI intelligente e compatta, possiamo separare questi due tipi di segnali luminosi in modo molto più efficiente rispetto al passato. Questo permette ai futuri rivelatori di particelle di essere "più intelligenti" alla fonte, gestendo enormi quantità di dati senza essere sopraffatti, il che è cruciale per la prossima generazione di collisionatori di particelle.

Sommario tecnico

1. Enunciato del Problema

I calorimetri a doppia lettura rappresentano una tecnologia leader per i futuri esperimenti di fisica delle alte energie (ad esempio, FCC-ee) poiché misurano simultaneamente la luce Cherenkov (C) e la luce di scintillazione (S). Questa misurazione duale consente la correzione evento per evento della frazione elettromagnetica, migliorando significativamente la risoluzione dell'energia adronica.

Tuttavia, l'estrazione di questi due componenti da un segnale composito presenta sfide significative:

• Sovrapposizione del Segnale: La luce Cherenkov è istantanea, mentre la luce di scintillazione ha un decadimento più lento, dipendente dal cristallo. La loro separazione richiede l'analisi della forma temporale dell'onda.
• Collo di Bottiglia nel Flusso di Dati: I metodi tradizionali di adattamento a modello (template fitting) richiedono elevate frequenze di campionamento (ad esempio, 3,125 GHz) per risolvere accuratamente la forma dell'onda. Negli acceleratori ad alta luminosità, la lettura completa delle onde a tali frequenze genera volumi di dati e consumi energetici proibitivi.
• Costo Computazionale: L'adattamento a modello implica una minimizzazione iterativa (ad esempio, algoritmi Simplex/MIGRAD), che è computazionalmente costosa e incompatibile con l'elaborazione in tempo reale nell'elettronica di front-end.
• Degrado delle Prestazioni: Ridurre la frequenza di campionamento per risparmiare larghezza di banda causa un rapido degrado delle prestazioni dell'adattamento a modello, poiché l'onda diventa sottodeterminata per l'ottimizzazione multi-parametro.

Il documento affronta la necessità di un metodo in tempo reale, a bassa latenza ed efficiente in termini di larghezza di banda per decomporre queste onde direttamente nell'elettronica di front-end (Machine Learning al Bordo).

2. Metodologia

Gli autori propongono di sostituire l'adattamento a modello convenzionale con Reti Neurali Profonde (DNN) compatte distribuite su Array di Porte Programmabili in Campo (FPGA).

A. Simulazione e Generazione dei Dati

• Modello del Rivelatore: Un calorimetro ibrido a doppia lettura (ECAL in cristallo omogeneo + HCAL a campionamento) è stato simulato utilizzando Geant4.
• Cristalli Studiati: Sono stati utilizzati tre cristalli rappresentativi con caratteristiche di decadimento distinte:
  • BGO: Alta resa luminosa, decadimento molto lento (coda dominante di 320 ns).
  • BSO: Resa moderata, decadimento bi-esponenziale.
  • PWO: Decadimento rapido, forte sovrapposizione temporale con la luce Cherenkov.
• Sintesi dell'Onda: Le onde composite sono state generate convolvendo i tempi di arrivo dei fotoni (Cherenkov vs. Scintillazione) con i modelli di risposta a singolo fotone (SPR). Le fonti di rumore includevano conteggi oscuri dei SiPM e spostamenti temporali casuali ($t_0$) per simulare le variazioni temporali.
• Verità Fondamentale: Ogni onda è stata etichettata con il numero reale di fotoni Cherenkov ($c$), fotoni di scintillazione ($s$) e l'offset temporale ($t_0$).

B. Architettura di Machine Learning

• Tipo di Modello: Una rete neurale completamente connessa (FCNN) compatta.
• Architettura: Input $\to$ FC(16, ReLU) $\to$ FC(24, ReLU) $\to$ FC(8, ReLU) $\to$ FC(3, Lineare).
• Compito: Regressione diretta dei parametri $(c, s, t_0)$ dall'onda digitalizzata in un singolo passaggio in avanti.
• Strategia di Addestramento:
  • Addestrato su un dataset combinato di elettroni e kaoni neutri a diverse energie (1, 5, 10, 30 GeV) per garantire l'indipendenza dall'energia.
  • Funzione di perdita: Errore Quadratico Medio (MSE) pesato con pesi $(4.0, 1.0, 0.3)$ per dare priorità all'accuratezza del conteggio dei fotoni rispetto alla temporizzazione.
  • Sottocampionamento: Le onde di base a 3,125 GHz sono state sottocampionate per fattori di 10, 20, 50 e 300 (fino a 10,4 MHz) per valutare le prestazioni a tassi di dati ridotti.

C. Distribuzione su FPGA

• Sintesi: I modelli sono stati convertiti in hardware utilizzando hls4ml (Sintesi di Alto Livello).
• Ottimizzazione: Per adattarsi alle risorse FPGA, gli autori hanno applicato la potatura basata sulla magnitudine e l'Addestramento Consapevole della Quantizzazione (QAT).
• Quantizzazione: È stata utilizzata l'aritmetica in virgola fissa per eliminare la necessità di blocchi DSP, affidandosi invece a operazioni di shift e addizione.

3. Contributi Chiave

1. Confronto Sistematico: Il primo confronto rigoroso tra adattamento a modello e ML per la decomposizione di onde a doppia lettura su tre tipi distinti di cristalli.
2. Superiorità a Bassa Frequenza: Dimostrato che i modelli ML possono raggiungere accuratezza comparabile o superiore all'adattamento a modello a frequenze di campionamento significativamente ridotte (ad esempio, 10,4 MHz vs 3,125 GHz).
3. Modello Universale: Mostrato che un singolo modello addestrato su un ampio intervallo di energie (1–30 GeV) si generalizza in modo robusto senza riaddestramento, un requisito critico per gli ambienti di collisione.
4. Fattibilità Hardware: Dimostrato che i modelli ML compressi possono essere sintetizzati in firmware FPGA con latenze < 25 ns e utilizzo di risorse adatto all'elaborazione in tempo reale di front-end (30k–330k LUT).

4. Risultati Chiave

Prestazioni vs Frequenza di Campionamento

• Estrazione del Conteggio dei Fotoni: Alla frequenza di campionamento più bassa (10,4 MHz), l'approccio ML ha raggiunto un errore al 68° percentile ($err_{68}$) di ~5% per i conteggi Cherenkov e di Scintillazione. Questa prestazione ha eguagliato o superato l'adattamento a modello eseguito sulla base completa a 3,125 GHz.
• Estrazione della Temporizzazione: Sebbene il ML a 10,4 MHz non abbia potuto superare l'adattamento a modello a 3,125 GHz (a causa della perdita fondamentale di informazioni dovuta al sottocampionamento), ha superato significativamente l'adattamento a modello quando entrambi sono stati eseguiti alla stessa bassa frequenza (10,4 MHz).
• Specifiche del Cristallo:
  • BGO: Il ML ha eccellato nel separare il piccolo segnale Cherenkov dalla coda di scintillazione schiacciante.
  • PWO: Nonostante la grave sovrapposizione temporale, il ML ha mantenuto prestazioni competitive a basse frequenze dove l'adattamento a modello falliva.

Efficienza delle Risorse (FPGA)

• Latenza: Tutti i modelli compressi hanno raggiunto latenze di inferenza di 25 ns, compatibili con le frequenze di incrocio dei fasci FCC-ee.
• Risorse:
  • Modelli a 10,4 MHz: ~30k LUT, 213 FF, 0 DSP.
  • Modelli a 312,5 MHz: ~310k LUT, ~4k FF, 0 DSP.
• Compromesso: L'analisi del fronte di Pareto ha mostrato che sono possibili notevoli risparmi computazionali selezionando frequenze di campionamento più basse senza sacrificare le prestazioni fisiche.

Generalizzazione

• Il modello addestrato su più energie ha ricostruito con successo eventi su tutto lo spettro energetico (1–30 GeV) senza degradazione, validandone l'uso per energie del fascio sconosciute.

5. Significato

Questo lavoro stabilisce il Machine Learning al Bordo come un'alternativa valida e superiore all'adattamento a modello tradizionale per la calorimetria a doppia lettura.

• Mitigazione del Flusso di Dati: Abilitando l'estrazione accurata del segnale a frequenze di campionamento 100-300 volte inferiori a quelle attualmente richieste, il ML riduce drasticamente la larghezza di banda dei dati e il consumo energetico del sistema di lettura.
• Elaborazione in Tempo Reale: La capacità di eseguire una complessa decomposizione dell'onda direttamente sul rivelatore (on-FPGA) abilita rivelatori "intelligenti" capaci di estrazione intelligente delle caratteristiche prima che i dati lascino il rivelatore.
• Impatto Futuro: Questo approccio fornisce una via pratica per implementare la calorimetria a doppia lettura nelle fabbriche di Higgs di prossima generazione (come FCC-ee), dove i tassi di dati ad alta luminosità renderebbero altrimenti impossibile la lettura completa dell'onda.