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

이 논문은 벨레 II(Belle II) 실험의 전자기 열량계를 위해 FPGA 에 구현된 실시간 그래프 신경망 기반 트리거 시스템을 개발하여 기존 알고리즘 대비 위치 및 에너지 분해능, 클러스터 순도 및 효율을 향상시키고 8MHz 처리량과 3.168μs 의 결정적 지연 시간을 달성한 세계 최초의 사례를 보고합니다.

핵심

빛의 속도로 우주를 읽는 새로운 눈: Belle II 실험의 '그래프 신경망' 이야기

이 논문은 일본의 '슈퍼 KEKB' 가속기에서 일어나는 입자 충돌 실험인 Belle II에 대해 이야기합니다. 이 실험은 우주의 비밀을 풀기 위해 매일 수조 번의 입자 충돌을 일으키는데, 문제는 이 데이터가 너무 많아서 모든 것을 저장할 수 없다는 점입니다. 그래서 '트리거 (Trigger)'라는 필터가 필요한데, 이 논문은 그 필터를 **인공지능 (AI)**으로 업그레이드한 획기적인 결과를 발표했습니다.

이 내용을 일반인도 쉽게 이해할 수 있도록 비유와 함께 설명해 드리겠습니다.

---

1. 문제 상황: 너무 시끄러운 파티와 낡은 안경

상황:
Belle II 실험실은 마치 초대형 파티장 같습니다. 수조 개의 입자들이 서로 부딪히며 빛나는 에너지 덩어리 (광자, 전자 등) 를 만들어냅니다. 하지만 파티장에는 진짜 손님 (우리가 찾고 싶은 입자) 도 있지만, 소음처럼 떠도는 배경 잡음 (빔 배경) 도 엄청나게 많습니다.

기존 방식 (ICN-ETM) 의 한계:
지금까지 이 파티를 감시하던 '경비원'은 낡은 안경을 쓰고 있었습니다.

• 단순한 규칙: "에너지가 100 을 넘으면 잡는다", "두 개가 너무 가까우면 하나로 합친다" 같은 단순한 규칙만 따랐습니다.
• 한계: 두 개의 빛이 아주 가까이서 부딪히면, 경비원은 "아, 이건 큰 빛 하나구나"라고 잘못 판단하거나, 잡음까지 진짜 손님으로 착각하는 경우가 많았습니다. 특히 빛이 약하거나 여러 개가 겹칠 때는 진짜 손님을 놓치는 일이 잦았습니다.

2. 새로운 솔루션: AI 를 탑재한 '초고속 스캐너'

연구팀은 이 낡은 안경을 버리고, FPGA(초고속 전용 컴퓨터 칩) 위에 **그래프 신경망 (GNN)**이라는 새로운 AI 를 심었습니다.

그래프 신경망 (GNN) 이란?

• 비유: 기존의 방식이 "하나의 점만 보고 판단"했다면, GNN 은 **"점들 사이의 관계와 모양을 보고 판단"**합니다.
• 마치 수십 개의 카메라가 찍은 사진을 한 장의 그림으로 이어 붙여, 그 그림이 어떤 사물을 닮았는지 파악하는 것과 같습니다. 에너지가 떨어진 입자들의 위치를 점 (Node) 으로, 그들 사이의 관계를 선 (Edge) 으로 연결하여, "이건 진짜 입자에서 온 신호야" 아니면 "그냥 잡음이야"를 매우 정교하게 구분합니다.

3. 어떻게 구현했나? (FPGA 와 속도)

이 AI 는 보통 컴퓨터에서 작동하면 느립니다. 하지만 Belle II 는 1 초에 800 만 번의 데이터를 처리해야 하는 초고속 환경입니다.

• FPGA(현장 프로그래밍 게이트 어레이): 이 칩은 마치 레고 블록처럼 내부 회로를 우리가 원하는 대로 바로 조립할 수 있습니다. 연구팀은 AI 알고리즘을 이 레고 블록으로 직접 짜서, 3.168 마이크로초라는 눈깜짝할 사이에 처리할 수 있게 만들었습니다. (인간이 눈을 깜빡이는 데 0.1 초가 걸린다면, 이 AI 는 그 시간의 3 만 분의 1 만에 판단을 내립니다.)
• 압축 기술: AI 모델이 너무 크면 칩에 들어가지 않습니다. 그래서 불필요한 부분을 잘라내고 (Pruning), 숫자의 정밀도를 적당히 낮추는 (Quantization) 기술을 써서, 성능은 유지하면서 크기는 줄였습니다.

4. 어떤 성과가 있었나? (기존 vs 새로운 방식)

새로운 AI 경비원 (GNN-ETM) 을 가동한 결과, 놀라운 변화가 일어났습니다.

1. 분리 능력 향상 (겹친 입자 구별):

   • 비유: 두 사람이 어깨를 맞대고 서 있을 때, 기존 경비원은 "한 사람"이라고 생각했지만, 새로운 AI 는 "아, 두 사람이야"라고 정확히 구분합니다.
   • 결과: 겹쳐 있는 입자 (예: 중성 파이온이 쪼개진 두 개의 광자) 를 구별하는 능력이 최대 20% 향상되었습니다.

2. 위치 파악 정확도:

   • 비유: 빛이 떨어진 정확한 위치를 찾는 데, 기존 방식은 "그쪽 근처"라고 대략적으로 말했지만, AI 는 "정확히 저기"라고 지시합니다.
   • 결과: 중앙 부분에서 위치를 찾는 정확도가 최대 18% 좋아졌습니다.

3. 잡음 제거 (배경 신호 필터링):

   • 비유: 파티장에서 진짜 손님 (신호) 은 97.5% 이상 다 잡아내면서, 소음꾼 (배경 잡음) 은 70% 까지 걸러냅니다.
   • 결과: 불필요한 데이터를 저장하는 시간을 줄여, 진짜 중요한 사건을 놓치지 않게 되었습니다.

5. 결론: 물리학의 새로운 장

이 논문은 세계에서 처음으로 복잡한 인공지능 (그래프 신경망) 을 초고속 하드웨어 (FPGA) 에 심어, 실시간으로 입자 충돌 데이터를 분석하는 시스템을 가동했다는 점에서 매우 중요합니다.

• 의미: 이제 Belle II 실험은 더 이상 낡은 규칙에 의존하지 않습니다. AI 가 실시간으로 "이건 진짜야, 저건 가짜야"를 판단함으로써, **어두운 물질 (Dark Matter)**이나 새로운 입자 같은 희귀한 현상을 찾아낼 확률이 크게 높아졌습니다.

한 줄 요약:

"Belle II 실험에 초고속 AI 경비원을 투입해서, 시끄러운 파티 속에서 진짜 손님을 더 정확하고 빠르게 찾아내도록 만들었습니다."

이 기술은 앞으로 다른 입자 가속기 실험에서도 표준이 될 수 있는 중요한 첫걸음입니다.

기술 요약

이 논문은 일본 SuperKEKB 가속기에서 운영 중인 Belle II 실험의 전자기 열량계 (ECL) 를 위해 개발된 실시간 그래프 신경망 (GNN) 기반 L1 트리거 시스템의 설계, 훈련, 하드웨어 구현 및 성능 평가를 상세히 보고합니다. 이 연구는 고에너지 물리 실험의 실시간 트리거 시스템에 GNN 을 성공적으로 적용한 최초의 사례 중 하나로 평가됩니다.

다음은 논문의 주요 내용을 기술적으로 요약한 것입니다.

1. 문제 정의 (Problem)

• 배경: Belle II 실험은 SuperKEKB 가속기의 높은 광도 (Luminosity) 로 인해 방대한 양의 데이터와 빔 유도 배경 (Beam-induced background) 을 처리해야 합니다. 이를 위해 8 MHz 의 높은 처리량을 가지면서도 5 $\mu$s 이내의 엄격한 지연 시간 (Latency) 제약을 만족하는 L1 트리거 시스템이 필수적입니다.
• 기존 시스템의 한계: 현재 Belle II 의 ECL L1 트리거는 '고립된 클러스터 번호 (ICN, Isolated Cluster Number)' 논리를 기반으로 합니다. 이는 FPGA 리소스 제약으로 인해 다음과 같은 심각한 한계가 있습니다.
  • 최대 6 개의 클러스터만 처리 가능.
  • 중복된 히트 (Duplicate hits) 필터링 불가.
  • 인접한 두 개의 광자 (Photon) 를 분리하지 못함 (해상도 저하).
  • 고에너지 클러스터의 위치 해상도가 낮음.
  • 빔 배경이 증가할수록 성능이 급격히 저하됨.
• 목표: 이러한 한계를 극복하고, 더 유연한 클러스터링 전략과 향상된 위치/에너지 해상도를 제공하면서도 실시간 하드웨어 (FPGA) 에서 실행 가능한 새로운 트리거 알고리즘 개발.

2. 방법론 (Methodology)

가. 알고리즘 설계 (GNN-ETM)

• 그래프 신경망 (GNN) 적용: 열량계 트리거 셀 (TC, Trigger Cells) 을 그래프의 노드로 간주하여 공간적 상관관계를 학습합니다.
• 모델 아키텍처 (CaloClusterNet):
  • 입력: TC 의 3D 좌표 ($x, y, z$), 에너지, 시간 정보. 최대 32 개의 활성 TC 를 처리하도록 설계됨.
  • 레이어: 두 개의 GravNet 블록을 사용. 각 블록은 선형 레이어, GravNetConv 레이어 (이웃 노드 간 메시지 전달), 밀집 레이어로 구성.
  • 학습 목표: 객체 응축 (Object Condensation) 손실 함수를 사용하여 클러스터 수를 사전에 알지 못하는 상황에서도 클러스터의 위치, 에너지, 신호/배경 분류를 동시에 예측.
  • 출력: 각 클러스터에 대한 위치, 에너지 스케일 팩터, 신호 확률 (Signal Classifier Score).

나. 모델 압축 및 FPGA 구현

• 양자화 (Quantization): FPGA 리소스 제약으로 인해 모든 가중치와 입력/출력을 고정 소수점 (Fixed-point) 형식 (예: Q3.5, Q4.12 등) 으로 양자화. QKeras 를 사용하여 양자화 인식 훈련 (Quantization-Aware Training) 수행.
• 가지치기 (Pruning): 저magnitude 가지치기 (40%) 를 적용하여 곱셈 연산 횟수 감소.
• 하드웨어 아키텍처:
  • 플랫폼: AMD Ultrascale XCVU190 FPGA (Universal Trigger Board 4, UT4).
  • 데이터 흐름 가속기: Preprocessing (스트림 압축, 보정), GNN 데이터 흐름 가속기 (GravNetConv 및 응축점 선택 알고리즘), Postprocessing 단계로 구성.
  • 동기화: Belle2Link 서브시스템을 통해 기존 트리거 체인과 동기화되어 운영.

3. 주요 기여 (Key Contributions)

1. 최초의 실시간 GNN L1 트리거: 콜라이더 실험의 실시간 데이터 취득 (DAQ) 경로 내에서 FPGA 기반 GNN 재구성 시스템을 운영한 최초의 사례.
2. 동적 그래프 구성: 고정된 기하학적 구조가 아닌, 학습된 공간 관계를 기반으로 동적으로 에지를 구성하는 GNN 을 FPGA 에 구현하여 복잡한 클러스터 분리 문제 해결.
3. 신호 분류기 (Signal Classifier) 통합: 단순한 에너지 임계값을 넘어, 배경 신호를 구별하는 분류 점수를 제공하여 유연한 트리거 전략 가능.
4. 완전한 하드웨어 통합: 모델 훈련부터 양자화, HLS(High-Level Synthesis) 기반 하드웨어 생성, 실제 실험 환경 (Belle II) 에의 배포 및 검증까지의 전체 파이프라인 제시.

4. 성능 결과 (Results)

가. 지연 시간 및 리소스

• 지연 시간: 엔드 - 투 - 엔드 (End-to-end) 지연 시간은 3.168 $\mu$s (기존 ICN 로직보다 약 3 배 길지만, 현재는 병렬 검증용으로 운영 중).
• 처리량: 8 MHz 의 Belle II L1 요구 사항을 충족하는 8 MHz 처리량 유지.
• 리소스: FPGA 의 LUT 약 51%, DSP 100% 사용.

나. 물리 성능 (시뮬레이션 및 충돌 데이터)

• 클러스터 효율 및 순도:
  • 저에너지 영역에서 고립된 클러스터의 순도 (Purity) 가 최대 20% 향상.
  • 겹치는 클러스터 (Overlapping clusters) 의 효율이 최대 20% 향상.
• 해상도:
  • 위치 해상도: 고에너지 클러스터의 경우 중앙 검출기 영역에서 위치 해상도가 최대 18% 개선 (기존 ICN 대비).
  • 에너지 해상도: 기존 트리거와 유사한 수준 유지.
• 신호 분류기 성능:
  • 신호 효율을 97.5% 로 유지하면서 배경 신호를 최대 72% 까지 제거 가능 (배경 수준에 따라 50~70% 감소).
  • 이를 통해 빔 배경이 높은 조건에서도 L1 트리거 Rates 를 크게 낮출 수 있음.
• 비고립 광자 분리: 인접한 두 광자를 분리하는 능력이 기존 ICN 로직보다 월등히 우수하여, 비고립 광자 (Non-isolated photons) 에 대한 클러스터 찾기 효율이 최대 20%p 향상.

5. 의의 및 결론 (Significance)

이 연구는 머신러닝, 특히 복잡한 그래프 신경망이 하드웨어 리소스와 엄격한 지연 시간 제약이 있는 실시간 고에너지 물리 실험 환경에서 실행 가능함을 입증했습니다.

• 기술적 돌파구: 기존 고정 논리 기반 트리거의 한계를 넘어, 데이터의 공간적 특성을 학습하여 더 정교한 이벤트 선별이 가능해졌습니다.
• 미래 지향성: Belle II 실험의 고광도 운영 (High-luminosity operation) 에 따른 배경 노이즈 증가 문제를 해결하고, 희귀 현상 (Dark sector 등) 탐색 능력을 향상시킬 수 있는 강력한 도구로 평가됩니다.
• 확장성: 이 연구는 향후 다른 콜라이더 실험 및 실시간 데이터 처리 시스템에 GNN 기반의 지능형 트리거를 도입하는 데 중요한 마일스톤이 될 것입니다.

요약하자면, 이 논문은 FPGA 기반의 실시간 GNN 을 Belle II 열량계 트리거에 성공적으로 통합하여, 기존 시스템 대비 뛰어난 위치 해상도와 배경 제거 능력을 입증한 획기적인 연구입니다.