Tracking performance study of the LHCb UP Detector

Sintesi Tecnica: Studio delle Prestazioni di Tracking del Rilevatore UP di LHCb

Problematica
L'esperimento LHCb si sta preparando per la fase di Upgrade II, prevista per gli anni 2030, che punta a una luminosità istantanea fino a $1.0 \times 10^{34} \text{ cm}^{-2}\text{s}^{-1}$. Questo aumento della luminosità comporterà un'occupazione del rilevatore e tassi di dati significativamente più elevati, ponendo sfide severe per la ricostruzione delle tracce, in particolare per quanto riguarda il riconoscimento dei pattern in ambienti densi. Una componente critica di questo aggiornamento è la sostituzione dell'attuale tracker a strisce Upstream (UT) con un nuovo tracker a pixel a quattro piani, l'Upstream Pixel Tracker (UP). Mentre l'UT, basato su sensori a strisce monodimensionali, rende impraticabile la ricostruzione standalone, l'uso da parte dell'UP di sensori pixel monodimensionali (MAPS) bidimensionali offre il potenziale per una ricostruzione standalone efficiente. La sfida principale affrontata in questo lavoro è lo sviluppo di algoritmi capaci di ricostruire le tracce all'interno del rilevatore UP da solo, con alta efficienza e bassi tassi di ghost, per servire come input per la ricostruzione globale e per affrontare i requisiti di elaborazione in tempo reale in condizioni di alta luminosità.

Metodologia
Il documento illustra il design del rilevatore UP e valuta due approcci distinti per la ricostruzione delle tracce standalone:

1. Design del Rilevatore: Il rilevatore UP consiste in quattro piani di rilevamento situati a monte del magnete. Ogni piano copre un'area attiva di circa $1400 \times 1200 \text{ mm}^2$ con un'apertura centrale per il tubo del fascio. Il rilevatore è costruito con supporti (staves) leggeri che ospitano moduli composti da 14 chip MAPS disposti in una configurazione $7 \times 2$ su circuiti flessibili. La dimensione dei pixel è di $50 \times 150 \text{ \mu m}^2$, con un budget di materiale stimato di $1.2\% X_0$ per piano nell'intervallo $2 < \eta < 4.5$.

2. Algoritmo Software (Seed-Forward con Ottimizzazione):

   • Gli autori hanno adattato una strategia "seed-forward", simile a quella utilizzata per il rilevatore VELO.
   • Processo: I seed hits vengono selezionati da uno strato di riferimento. Vengono aperte finestre di ricerca negli strati successivi per identificare coppie di hit compatibili, che vengono poi estrapolate agli strati rimanenti.
   • Ottimizzazione: Per affrontare il problema dei "ghost tracks" causati dalla sovrapposizione di moduli ed extra hits, è stata implementata un'ottimizzazione del "hit-sharing". Quando un hit è compatibile con molteplici candidati di traccia, viene preferenzialmente assegnato al candidato con il maggior numero di hit corrispondenti.
   • Raffinamento Iterativo: La dimensione della finestra di ricerca viene ottimizzata iterativamente per bilanciare l'efficienza di ricostruzione rispetto alla soppressione del tasso di ghost.

3. Algoritmo Hardware (FPGA-based RETINA):

   • Per affrontare il progetto di throughput dei dati online di 200 Tbit/s, gli autori hanno investigato un'implementazione basata su FPGA utilizzando l'algoritmo RETINA, sviluppato originariamente per il VELO.
   • Processo: L'algoritmo utilizza una trasformata di Hough per mappare il problema del finding delle tracce in uno spazio di parametri quadridimensionale $(r_0, \phi_0, r_1, \phi_1)$ definito da due piani di riferimento all'ingresso e all'uscita del rilevatore.
   • Implementazione: Lo spazio dei parametri è discretizzato in bin (attualmente $150^4$ celle, ridotte a $\sim 6\text{M}$ celle attive tramite vincoli di spazio delle fasi). Gli hit del rilevatore incrementano le celle corrispondenti e i candidati di traccia vengono identificati come celle contenenti almeno tre hit. Viene quindi applicata una regressione lineare basata su $\chi^2$ per raffinare i candidati.

Contributi Chiave e Risultati
Lo studio presenta le metriche di prestazione per entrambi i metodi di ricostruzione basate su simulazioni Monte Carlo:

• Prestazioni dell'Algoritmo Software:

  • L'algoritmo seed-forward iniziale ha raggiunto un'efficienza complessiva dell'82.1% con un tasso di ghost dell'11.5%.
  • Dopo l'applicazione dell'ottimizzazione del hit-sharing, l'efficienza complessiva è migliorata al 91.4% (salendo al 97.7% per tracce con momento $p > 5 \text{ GeV}/c$), mentre il tasso di ghost è stato ridotto al 3.9%.
  • Gli autori osservano che le tracce con $p > 1.5 \text{ GeV}/c$ generalmente seguono linee rette, facilitando l'approccio seed-forward.

• Prestazioni FPGA/RETINA:

  • L'algoritmo RETINA basato su FPGA ha dimostrato prestazioni di tracking comparabili all'approccio software seed-forward convenzionale in termini di efficienza complessiva.
  • Ha mostrato un miglioramento evidente nell'efficienza di ricostruzione nella regione a basso momento, attribuito all'efficacia della strategia di trasformata di Hough nel riconoscimento dei pattern nello spazio dei parametri della traccia.
  • Tuttavia, l'attuale implementazione FPGA ha mostrato un tasso di ghost leggermente superiore e un'efficienza inferiore nella regione ad alto momento rispetto all'algoritmo software ottimizzato. Gli autori attribuiscono questa discrepanza al fatto che l'algoritmo software ha subito un'estesa ottimizzazione (inclusi l'hit-sharing e la ricostruzione iterativa) che non è ancora stata pienamente incorporata nell'implementazione RETINA.

Significatività e Rivendicazioni
Il documento sostiene che il rilevatore UP, combinato con questi algoritmi di ricostruzione, offre una soluzione valida per le sfide dell'LHCb Upgrade II. Nello specifico:

• Input ad Alta Purezza: Le tracce standalone ottimizzate forniscono input di alta qualità per la ricostruzione globale di LHCb, migliorando l'associazione tra segmenti di traccia upstream e downstream e potenziando la risoluzione del momento, particolarmente per particelle a basso $p_T$ e tracce spostate da particelle a vita lunga.
• Vitalità in Tempo Reale: L'approccio FPGA-based RETINA dimostra il potenziale per un tracking a bassa latenza e altamente parallelizzato, essenziale per la ricostruzione degli eventi in tempo reale e il triggering in ambienti ad alta occupazione.
• Prospettive Future: I risultati suggeriscono che il tracking standalone dell'UP è una componente robusta per i futuri sistemi di tracking in tempo reale, fornendo una base per gestire condizioni di luminosità ancora più elevate dove il tracking accelerato via hardware sarà critico.

Il lavoro non afferma che la soluzione FPGA sia attualmente superiore alla soluzione software in tutti i parametri, bensì che raggiunge prestazioni comparabili con il vantaggio aggiunto dell'accelerazione hardware, con ulteriori ottimizzazioni previste per colmare i rimanenti gap di prestazione.