Real-Time Wiener Deconvolution for feature reconstruction in JUNO

この論文は、JUNO 実験の読み出しボードに搭載された FPGA を活用し、低エネルギー領域のニュートリノ相互作用や天体現象を背景ノイズから効率的に検出できるよう、リアルタイムで信号を再構成するウィーナー逆フィルタリングアルゴリズムを提案し、その高性能性と FPGA ベースのデータ処理の可能性を実証したものである。

要約

江門地下ニュートリノ観測所（JUNO）の「リアルタイム・ウィーナー・デコンボリューション」について

～騒がしいパーティーで、一人一人の声を聞き分ける魔法の技術～

この論文は、巨大なニュートリノ実験「JUNO（江門地下ニュートリノ観測所）」で行われている、**「ノイズだらけの信号から、重要な情報を瞬時に抜き出す新しい技術」**について書かれています。

専門用語を並べると難しく聞こえますが、実はとても身近なことに例えることができます。

1. 舞台設定：巨大な「光の森」と騒がしいパーティー

JUNO という実験は、地下深くに巨大なタンクを作り、中に液体を詰めて、ニュートリノという「幽霊のような粒子」がぶつかる瞬間を捉えようとしています。
このタンクには、**17,000 個以上もの巨大な「光センサー（PMT）」**が並んでいます。ニュートリノがぶつかると、センサーが「ピカッ」と光ります。

しかし、ここには大きな問題があります。

• ノイズの嵐： 自然放射線や電子機器の雑音（ホワイトノイズ）が常に鳴り響いています。
• 情報の洪水： 1 秒間に何百万回もサンプリング（記録）する必要があり、すべてのデータを保存していたら、サーバーがパンクしてしまいます。
• 重なり合う声： ニュートリノがぶつかったとき、複数の光（光子）がほぼ同時に飛んできます。これらはまるで、騒がしいパーティーで、複数の人が同時に喋っている状態のようです。

従来の方法（COTI というアルゴリズム）は、「音が大きくなったら記録する」という単純なルールでした。しかし、2 人の声が重なり合って「大きな声」になっている場合、「1 人の大きな声」なのか「2 人の小さな声」なのか区別がつかず、間違った情報を記録してしまいます。

2. 新しい技術：「ウィーナー・デコンボリューション」という魔法のメガネ

この論文で紹介されているのが、**「リアルタイム・ウィーナー・デコンボリューション（RTWD）」**という技術です。

これを**「騒がしいパーティーで、一人一人の声を聞き分ける魔法のメガネ」**と想像してください。

• ウィーナー・フィルター（ノイズ除去メガネ）：
  まず、背景の雑音（ホワイトノイズ）を消し去ります。これにより、誰が何を言っているかが少しクリアになります。
• デコンボリューション（重なりを解くメガネ）：
  次に、重なり合った声を「分解」します。例えば、「ピーッ」という音が 2 回重なって「ピーピーッ」と聞こえていたとき、この技術を使うと、**「あ、これは 2 回別々に『ピーッ』と言ったんだ！」**と、時間的に非常に近い 2 つの音を区別して認識できます。

3. なぜ「FPGA」という頭脳が必要なのか？

この「魔法のメガネ」は、実験の現場（FPGA という特殊な半導体チップ）に搭載されています。
なぜかと言うと、**「後でパソコンで処理するのでは遅すぎるから」**です。

• 従来の方法： 全てのデータを録音して、後でパソコンで「あ、これは 2 つの音だったね」と分析する。→ データ量が膨大になりすぎて、保存しきれない。
• 新しい方法（この論文）： 現場の FPGA が、「今、2 つの音が重なっている！」と瞬時に判断し、必要な情報（いつ、どれくらいの強さの光だったか）だけを抽出して送る。 → データ量が劇的に減り、重要な低エネルギーの現象も見逃さない。

4. 実験の結果：どんなに近接しても見分けられる！

研究者たちは、CAEN という装置を使って、人工的に「2 つの光が非常に近いタイミングで飛んできた」状況をシミュレーションしました。

• 古い方法（COTI）： 2 つの光が少し離れていると「2 つ」と認識できますが、距離が近くなると「1 つの大きな光」と誤認識してしまいました。
• 新しい方法（RTWD）： 2 つの光が非常に近接していても、ほぼ 100% の確率で「2 つの光」と正しく見分けました。

さらに、この技術を使えば、光の強さ（電荷）の計算も以前より正確になり、ニュートリノのエネルギーをより精密に測れるようになります。

まとめ：なぜこれがすごいのか？

この技術は、**「限られた計算資源（FPGA の性能）の中で、いかに賢く、高速に、正確にデータを処理するか」**という、現代の物理学が抱える最大の課題の一つを解決しました。

• ノイズを消す（ウィーナー・フィルター）
• 重なりを解く（デコンボリューション）
• リアルタイムで判断する（FPGA 実装）

これにより、JUNO 実験は、これまで見逃されていたような「小さなニュートリノのサイン」や、「超新星爆発（星が爆発する現象）」のような一瞬で終わる天体現象を、より確実に捉えられるようになるでしょう。

つまり、**「騒がしい宇宙のパーティーの中で、重要なメッセージを逃さず聞き取るための、究極の耳と脳」**が完成したのです。

技術概要

以下は、JINST への提出を予定している論文「Real-Time Wiener Deconvolution for feature reconstruction in JUNO（JUNO における特徴再構成のためのリアルタイムウィーナー逆畳み込み）」の技術的サマリーです。

1. 背景と課題 (Problem)

江門地下ニュートリノ観測所（JUNO）のデータ取得における課題:
JUNO 実験では、20 キロトンの液体シンチレーター検出器に 17,612 個の大型光電子増倍管（LPMT）と 25,600 個の小型 PMT が設置されています。これらの検出器は、単一光電子（SPE）から数百光電子にわたる広範囲のダイナミックレンジを持つ信号を生成します。

• データ量の爆発: 全波形（Waveform, WF）を保存すると、宇宙線ミューオンによるトリガー頻度（約 4 Hz）とチャンネル数から、1 日あたり約 11 TB のデータが生成され、保存が不可能になります。
• 既存手法（COTI）の限界: 現在の JUNO では、連続オーバーサースホールド積分（COTI: Continuous Over Threshold Integration）アルゴリズムを用いて、閾値を超えた信号の「時間 - 電荷（TQ）」対をリアルタイムで再構成し、波形を圧縮して保存しています。
  • しかし、COTI は波形が閾値より下に戻らない限り、2 つの光電子（PE）を別々のヒットとして区別できません。
  • 低エネルギー事象や天体物理現象（超新星爆発など）では、複数の PE が非常に短い時間間隔（約 40 ns 未満）で到達することが多く、COTI はこれらを 1 つのヒットとして誤って統合してしまいます。
  • その結果、ヒット数の過小評価や電荷の再構成精度の低下（特にパイルアップ時のアンダーシュート効果）が発生し、エネルギー分解能が損なわれます。

FPGA リソースの制約:
JUNO のリードアウトボードには AMD Kintex 7 FPGA が搭載されていますが、波形の取得、トリガ生成、データ転送にリソースの大部分が割かれており、高度な信号処理を行うためのリソースは限られています。また、低遅延（約 100 ns 程度）での処理が求められます。

2. 手法 (Methodology)

本研究では、FPGA 上で動作する**リアルタイム・ウィーナー逆畳み込み（Real-Time Wiener Deconvolution: RTWD）**アルゴリズムを提案・実装しました。

• 基本原理:
  • ウィーナーフィルタ: 信号対雑音比（SNR）を最大化するように設計された最適フィルタ。ノイズを除去しつつ波形形状を歪ませずに SNR を向上させます。
  • 逆畳み込み（Deconvolution）: PMT や電子回路のインパルス応答（テンプレート）を逆転させるフィルタ。これにより、広がった波形を鋭いスパイク（各 PE のヒット）に復元し、ピーク検出を容易にします。
• 実装戦略:
  • FIR フィルタの採用: FPGA 資源と低遅延の制約から、無限インパルス応答（IIR）ではなく、有限インパルス応答（FIR）フィルタを使用しました。
  • フィルタ設計:
    1. SPE テンプレート推定: 単一光電子波形の平均インパルス応答を求め、そのパワースペクトル密度（PSD）を算出。
    2. ノイズ特性の把握: 信号のない「空波形」からノイズ PSD を推定。
    3. フィルタ生成: 信号とノイズの PSD を用いてウィーナーフィルタを設計し、逆畳み込みフィルタ（微分器として機能する Type III FIR）を設計。これらは Python 環境で計算され、FPGA にロードされます。
  • FPGA 処理パイプライン:
    1. ベースライン追跡: 信号のベースラインをリアルタイムで追跡・補正。
    2. 閾値判定: 閾値超過を検知し、ヒット候補を特定。
    3. フィルタリング: 11 タップのウィーナーフィルタ（ノイズ除去）と 7 タップの逆畳み込みフィルタ（波形復元）を直列に適用。
    4. ピーク検出: 復元された波形から鋭いピークを検出し、正確な時間と電荷を算出。

3. 主要な貢献 (Key Contributions)

1. FPGA 上のリアルタイム実装: 限られた FPGA リソース（特に DSP ブロック）内で、複雑なウィーナー逆畳み込み処理をリアルタイムで実行可能なアルゴリズムを確立しました。
2. 近接ヒットの分離能力: COTI が区別できないほど時間的に近い複数の PE（例：相対距離 0.5〜0.7 倍のピーク幅）を、個別のヒットとして正確に識別・再構成する能力を証明しました。
3. オフライン処理との同等性能: FPGA 上でのリアルタイム処理（RTWD）が、計算資源を無制限に使えるオフライン処理（オフライン逆畳み込み）と同等のピーク識別精度を達成することを示しました。
4. キャリブレーション手法の提案: 逆畳み込み後の波形に残るアンダーシュート（負の過渡応答）による電荷過小評価を補正するためのキャリブレーション手法を提案し、電荷再構成の精度を向上させました。

4. 結果 (Results)

実験用デューレータ（CAEN DT5810）を用いた検証実験により、以下の結果が得られました。

• ヒット数の再構成精度:
  • 2 つの PE が非常に近い場合（相対距離 0.5〜0.7）、COTI は 99% 以上の確率で 2 つのヒットを 1 つとして誤って統合してしまいます。
  • 一方、RTWD はオフライン処理と同等の精度（98% 以上）で 2 つのヒットを正しく識別しました。
• 電荷再構成:
  • 未キャリブレーションの RTWD は、残留ノイズにより約 5% の負のバイアスと、近接ヒットによるアンダーシュート効果が見られました。
  • 提案したキャリブレーションを適用後、電荷分布は単一のピークに収束し、期待される 1 PE の電荷値に一致しました。
• リソース使用量:
  • Xilinx Kintex-7 FPGA において、DSP48E1 スライスの約 74%（624/840）を使用しましたが、LUT や FF などの他のリソース使用率は低く抑えられ、実装可能であることが確認されました。DSP リソースがボトルネックとなることが示されました。

5. 意義と結論 (Significance and Conclusion)

• 低エネルギー事象の検出能力向上: 天体物理現象（超新星ニュートリノなど）や低エネルギー事象は、背景放射線の影響を受けやすく、低エネルギー端でのトリガーレートが高くなる傾向があります。RTWD により、低エネルギー領域でのヒット分離精度が向上すれば、不要なトリガーを減らしつつ、重要な低エネルギー事象を逃さずに再構成することが可能になります。
• 将来のニュートリノ実験への応用: この手法は JUNO だけでなく、FPGA を搭載した PMT ベースの検出器を持つあらゆるニュートリノ実験や高エネルギー物理実験において、データ圧縮と高精度再構成を両立する有効なソリューションとなり得ます。
• リアルタイム処理のパラダイムシフト: 従来の「波形を保存して後で解析する」アプローチから、「FPGA 上で特徴量を抽出して送信する」アプローチへの移行を成功裡に実証しました。これにより、データ転送帯域の制約を克服しつつ、物理分析に必要な高品質な情報をリアルタイムで提供できます。

結論として、本論文で提案したリアルタイム・ウィーナー逆畳み込みアルゴリズムは、JUNO 実験のデータ取得システムにおける重要な技術的進歩であり、限られたハードウェアリソースの中で、オフライン解析に匹敵する高精度な信号再構成を実現する可能性を証明しました。