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

本研究は、Belle II 実験の電磁カロリメータ向けに FPGA 上で実装され、8 MHz のスループットと 3.168 μs の遅延で動作するリアルタイム・グラフニューラルネットワーク型トリガーを開発し、従来のアルゴリズムと比較して位置分解能やクラスタ純度、効率を大幅に向上させた世界初の事例を報告したものである。

要約

光の嵐を瞬時に見極める「AI 警備員」

ベル II 実験の新しいトリガーシステム（GNN-ETM）の解説

この論文は、日本の筑波にある巨大な粒子加速器「SuperKEKB」で行われている「ベル II 実験」について書かれています。ここでは、電子と陽電子をぶつけて新しい物理法則を見つけようとしていますが、そのためには**「何兆回もの衝突の中から、本当に重要な瞬間だけを瞬時に見つけ出す」**という、極めて難しい任務をこなさなければなりません。

この論文は、その「重要な瞬間」を見つけるために、FPGA（特殊な計算チップ）上で動く「グラフニューラルネットワーク（GNN）」という AI を初めて実装し、成功させたという画期的な成果を報告しています。

以下に、専門用語を排し、日常の比喩を使ってわかりやすく解説します。

---

1. 背景：なぜこんな難しいことをする必要があるの？

【比喩：満員電車と泥棒】
ベル II 実験の加速器は、1 秒間に 2 億 5000 万回もの粒子を衝突させます。これは、**「満員電車の中で、1 秒間に 2 億 5000 回もドアが開閉する」**ような状態です。

• 問題点: 衝突のたびにすべてのデータ（写真や動画）を保存していたら、世界中のハードディスクを全部合わせても足りません。
• 従来の方法（ICN-ETM）: 今までのシステムは、**「決まりきったルール」**で動いていました。例えば、「エネルギーが一定以上あれば『重要』、なければ『ノイズ』」という単純なチェックリストです。
  • 弱点: 2 つの粒子が非常に近い場所で衝突した場合、ルール上は「1 つの大きな塊」としてしか認識できず、重要な 2 つの粒子を見逃してしまいます。また、背景ノイズ（不要な粒子）が多いと、誤って「重要だ！」と勘違いしてしまい、データが溢れてしまいます。

2. 新システム：GNN-ETM とは何か？

【比喩：熟練の探偵 vs 自動販売機】
今回開発された「GNN-ETM」は、単なるルールブックではなく、**「状況を見て柔軟に判断する熟練の探偵」**のような AI です。

• グラフ構造（Graph）: 従来のシステムが「点と点」を単純に足し算するのに対し、GNN は**「点と点のつながり（関係性）」**を重視します。
  • 例: 雨粒が地面に落ちたとき、単に「水たまりの大きさ」を見るのではなく、「どの雨粒がどこに落ちて、どう広がっているか」という全体のパターンを見て判断します。
• FPGA での動作: 通常、AI は巨大なサーバーで動きますが、このシステムは**「FPGA」**という、実験装置のすぐそばに設置できる小型の計算チップで動きます。
  • 重要: 衝突からデータ保存までの時間は**「3.168 マイクロ秒（0.000003 秒）」です。これは「一瞬で、一瞬で、一瞬で」**というレベルです。この超高速な判断を AI が行えるのは、世界でも初めてのことです。

3. このシステムが何を変えたのか？（3 つのすごい点）

① 「隣り合った 2 つの粒子」をばらばらに識別できる

【比喩：混雑した駅ホーム】
従来のシステムは、2 人の人が並んで立っているのを「1 人の大きな人」としてしか認識できませんでした。しかし、GNN は**「あ、これは 2 人が並んでいるんだ」**と見分けがつきます。

• 効果: 高エネルギーの光子（光の粒）が 2 つ同時に飛んできた場合、従来のシステムでは 1 つにまとめてしまっていたのが、2 つとして正しく認識できるようになり、位置の特定精度が最大 18% 向上しました。

② 「ノイズ」を見分ける能力が格段に向上

【比喩：騒がしいパーティー】
実験場は、衝突以外の「背景ノイズ（不要な粒子）」で常に騒がしい状態です。従来のシステムは、ノイズを「重要なイベント」と勘違いしてしまいがちでした。

• 効果: GNN は、「これは単なるノイズだ」と見抜く能力を持っています。これにより、不要なデータを 20% 以上カットでき、本当に重要なデータだけを残すことが可能になりました。

③ 超高速で、かつ正確に

【比喩：瞬きより速い】
この AI は、FPGA 上で**「3.168 マイクロ秒」**という、人間の瞬き（約 0.1 秒）の 3 万 分の 1 の時間で判断を下します。

• 結果: 従来のシステムと比べて、エネルギーの測り方は同じくらい正確なのに、**「どこで起きたか（位置）」をより正確に、「何が起きたか（粒子の種類）」**をより見分けやすくしています。

4. 技術的な挑戦：どうやって実現したの？

【比喩：高級料理を「おにぎり」に】
通常、AI は巨大で複雑な計算をしますが、FPGA という小さなチップに載せるには、**「重すぎる料理を、持ち運びやすいおにぎりに変える」**ような工夫が必要です。

• 量子化（Quantization）: 計算の精度を少し落とす代わりに、チップの容量に収まるように圧縮しました（例：10 桁の数字を 3 桁に丸める）。
• 剪定（Pruning）: 不要な神経回路（計算の枝葉）を切り捨て、核心だけを残しました。
• 結果: これらの工夫により、巨大な AI を小さな FPGA に入れても、**「壊れずに、かつ正確に」**動くようにしました。

5. まとめ：これがなぜ重要なのか？

この研究は、**「AI を粒子加速器の『最前線』に送り込んだ」**という歴史的な一歩です。

• これまでの常識: 「AI はオフライン（実験後）で使うもの」「FPGA には単純な計算しか載せられない」という常識を打ち破りました。
• 未来への影響: この技術があれば、将来の加速器でも、「より複雑な現象」や「より稀な現象」（例えば、ダークマターの発見など）を、見逃さずに捉えることができるようになります。

一言で言うと：
「従来の『決まりきったルール』で動いていた警備員を、**『状況を見て瞬時に判断できる AI 警備員』**に置き換え、超高速で正確に、重要な発見を見逃さないようにした画期的な技術」です。

技術概要

ベル II 実験の電磁カロリメータ向け FPGA 実装リアルタイム・グラフニューラルネットワーク・トリガーの技術的概要

この論文は、スーパー KEKB コライダーにおけるベル II 実験の電磁カロリメータ（ECL）向けに、FPGA 上で動作するリアルタイム・グラフニューラルネットワーク（GNN）ベースのレベル 1 トリガーシステム「GNN-ETM」の開発、実装、および評価について報告したものです。従来の固定論理トリガーの限界を克服し、高輝度環境下での物理イベント選択の精度向上と背景事象の抑制を実現した画期的な成果です。

以下に、問題定義、手法、主要な貢献、結果、そして意義について詳細にまとめます。

1. 問題定義と背景

ベル II 実験は、レアな崩壊過程やダークセクター探索を目的としており、スーパー KEKB コライダーの超高輝度運転（瞬間光度 $10^{34} \text{cm}^{-2}\text{s}^{-1}$ 以上）に対応する必要があります。しかし、高輝度化に伴い、ビーム起因の背景事象（ビームバックグラウンド）が激増し、検出器に多数の不要なヒットが発生しています。

現在の ECL レベル 1 トリガー（ICN-ETM）は、FPGA 上で実装された固定論理（Isolated Cluster Number 論理）に基づいており、以下の重大な限界を抱えていました：

• クラスタリングの柔軟性不足: 最大 6 つのクラスタしか処理できず、重なり合う光子（例：$\pi^0$ 崩壊など）の分離が困難。
• 位置分解能の低さ: 高エネルギー領域でのクラスタ位置の推定精度が低い。
• 重複ヒットのフィルタリング欠如: 近接した粒子による重複ヒットが除去されず、トリガー効率や純度に悪影響を与える。
• 適応性の欠如: 背景条件の変化や検出器の幾何学的制約（エンドキャップ部など）への適応が難しい。

これらの課題を解決し、より柔軟で高精度なリアルタイム処理を実現するため、機械学習、特にグラフニューラルネットワーク（GNN）の活用が検討されました。

2. 手法とアーキテクチャ

2.1 グラフニューラルネットワーク（GNN）の設計

従来の固定グリッドベースの手法ではなく、カロリメータのトリガーセル（TC）をグラフのノードとして扱い、空間的な相関を学習する「CaloClusterNet」と呼ばれる GNN モデルを設計しました。

• 入力: 各 TC の座標（$x, y, z$）、エネルギー、時間情報。最大 32 個の TC を入力として処理（スパース圧縮技術の適用）。
• アーキテクチャ: 2 つの GravNet ブロックを使用。GravNetConv レイヤにより、学習された空間表現に基づいて動的にエッジを構築し、メッセージパッシングを実行。
• 損失関数: オブジェクト凝縮（Object Condensation）損失を採用。事前のクラスタ数を決めずに、潜在空間での凝縮点（Condensation Point）を特定し、クラスタを形成するエンドツーエンドの学習を実現。
• 出力: クラスタのエネルギー、位置、および「信号/背景」を判別する分類スコア。

2.2 FPGA 実装とモデル圧縮

FPGA 上での低遅延・高スループット動作を実現するため、以下の高度な最適化を行いました：

• ハードウェア: AMD Ultrascale XCVU190 FPGA（Universal Trigger Board 4）を搭載。
• 量子化（Quantization）: 浮動小数点演算を避けるため、混合精度の固定小数点表現（Q-format）へ変換。重み、バイアス、入出力を 8 ビット〜16 ビットで表現。
• プルーニング: 低強度の重みを 40% 削減し、乗算回数を減少。
• ハードウェア生成: Chisel 言語と HLS（High-Level Synthesis）ツール（Vitis HLS）を用いて、データフロー・アクセラレータを生成。GravNetConv や凝縮点選択アルゴリズム（CPS）をパイプライン化し、決定論的な遅延を確保。
• システム統合: 前処理（スパース圧縮、キャリブレーション）、GNN データフロー・アクセラレータ、後処理、Belle2Link サブシステムからなる完全なパイプラインを構築。

3. 主要な貢献

1. 世界初の実装: コライダー実験のリアルタイム・トリガーパス（レベル 1）において、FPGA 上で GNN ベースの再構成アルゴリズムを実際に運用した世界初の事例です。
2. 決定論的遅延の達成: 複雑な GNN 推論を、Belle II のレベル 1 トリガー要件（約 5 $\mu$s のハード制約）に適合する 3.168 $\mu$s のエンドツーエンド遅延で実現しました。
3. 動的なグラフ構築: 検出器の幾何学構造に依存しない、学習ベースの動的エッジ接続により、従来の固定論理では不可能だった重なり合う粒子の分離を可能にしました。
4. 背景抑制機能: 単なるクラスタリングだけでなく、信号/背景を判別する分類器を統合し、固定の信号保持率（97.5%）を維持しつつ背景を最大 70% 削減する能力を実証しました。

4. 性能評価結果

4.1 シミュレーションおよび実データによる評価

シミュレーションデータと 2024 年 12 月の実衝突データ（Run A など）を用いて、既存の ICN-ETM と比較評価を行いました。

• 位置分解能: 高エネルギー領域において、GNN-ETM は ICN-ETM よりも 最大 18% 向上 した位置分解能を示しました（特に中央部で顕著）。ICN-ETM の離散的な TC 中心に依存するのに対し、GNN は連続的な位置推定が可能です。
• クラスタ純度と効率:
  • 低エネルギーの孤立したクラスタにおいて、純度が最大 20% 向上。
  • 重なり合うクラスタ（非孤立光子）の検出効率が最大 20% 向上。
• エネルギー分解能: 既存のトリガーと同等の性能を維持しました。
• 信号分類器の性能: 信号効率 97.5% を維持しつつ、背景事象を最大 72% 削減（バレル部、0.25-0.35 GeV 領域）しました。これにより、ビームバックグラウンドが増加する条件下でもトリガーレートの上昇を抑制できます。

4.2 ハードウェア性能

• スループット: 8 MHz のトリガースループットを維持。
• リソース使用量: FPGA の論理ブロック（CLB）の約 82% を使用。DSP リソースは 100% 使用されましたが、レイアウト制約内でタイミング閉塞（Timing Closure）を達成しました。
• 遅延: 3.168 $\mu$s（前処理 0.621 $\mu$s、GNN 推論 2.052 $\mu$s、後処理 0.495 $\mu$s）。

5. 意義と結論

この研究は、高エネルギー物理学実験におけるトリガーシステムの新たなパラダイムを示すものです。

• 技術的ブレイクスルー: 従来の固定論理や単純なニューラルネットワーク（MLP など）を超え、複雑なグラフ構造を持つ GNN を、厳格なリアルタイム制約（マイクロ秒オーダー）を持つ FPGA 上で動作させることに成功しました。
• 物理への影響: 高輝度運転下でも、低エネルギー粒子や重なり合う粒子の検出効率を向上させ、背景事象を効果的に抑制することで、レア事象探索の感度を大幅に向上させる可能性があります。
• 将来展望: GNN-ETM の成功は、将来の加速器実験（HL-LHC など）における高度な機械学習ベースのトリガー設計の道を開き、リアルタイム推論における ML とハードウェア設計の融合の重要性を浮き彫りにしました。

要約すれば、GNN-ETM は、ベル II 実験の性能限界を押し広げるだけでなく、粒子物理学におけるリアルタイム AI 処理の新たな基準を確立した画期的なシステムです。