⚛️ high-energy experiments

Robustness of the \textit{smartpixels} classifier for different simulated sensor geometries and non-ideal detector conditions

Dit artikel demonstreert dat de \textit{smartpixels} neurale netwerkclassifier voor real-time trackfiltering in hoog-granulaire pixeldetectoren een robuuste prestatie behoudt bij variërende sensorgeometrieën, magnetische velden en ruisniveaus, waarbij significante efficiëntieverliezen door stralingsschade grotendeels herstelbaar zijn door middel van netwerktraining.

Oorspronkelijke auteurs: Danush Shekar, Ben Weiss, Morris Swartz, Corrinne Mills, Jennet Dickinson, Lindsey Gray, David Jiang, Mohammad Abrar Wadud, Daniel Abadjiev, Anthony Badea, Douglas Berry, Alec Cauper, Arghya Ranjan Da

Gepubliceerd 2026-10-05

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Danush Shekar, Ben Weiss, Morris Swartz, Corrinne Mills, Jennet Dickinson, Lindsey Gray, David Jiang, Mohammad Abrar Wadud, Daniel Abadjiev, Anthony Badea, Douglas Berry, Alec Cauper, Arghya Ranjan Das, Karri Folan DiPetrillo, Farah Fahim, Rachel Kovach Fuentes, Abhijith Gandrakota, Giuseppe Di Guglielmo, Eliza Howard, Shiqi Kuang, Carissa Kumar, Mia Liu, Petar Maksimovic, Nick Manganelli, Mark S Neubauer, Aidan Nicholas, Emily Pan, Benjamin Parpillon, Jannicke Pearkes, Ricardo Silvestre, Chinar Syal, Amit Trivedi, Keith Ulmer, Jieun Yoo, Eric You

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

In het hart van de deeltjesfysica, waar wetenschappers atomen tegen elkaar aan laten botsen om de fundamentele bouwstenen van het universum te begrijpen, is een nieuwe uitdaging ontstaan. De machines die ontworpen zijn voor deze botsingen worden zo krachtig dat ze meer data creëren dan welke computer dan ook in realtime kan verwerken. Stel je een camera voor die miljoenen foto's per seconde maakt; als je probeerde elke enkele afbeelding op te slaan, zou je harde schijf onmiddellijk vol raken en zouden de meest interessante momenten verloren gaan in de ruis. Om dit op te lossen, bouwen natuurkundigen intelligentere detectoren die beslissingen kunnen nemen nog voordat de data de machine zelfs maar verlaat. Deze detectoren, bekend als pixeldetectoren, werken als een raster van kleine lichtschakelaars. Wanneer een deeltje erdoorheen gaat, laat het een spoor van elektrische signalen, of een "cluster", achter op deze schakelaars. Het doel is om de detector te leren de vorm van dat spoor te herkennen en direct te beslissen welke deeltjes belangrijk genoeg zijn om te bewaren en welke slechts achtergrondruis zijn die weggegooid moeten worden. Dit proces, dat rechtstreeks op de sensorchip plaatsvindt, wordt on-detector datareductie genoemd, en is essentieel voor de volgende generatie experimenten die de diepste geheimen van materie zullen verkennen.

Een team van onderzoekers begon een test om te zien hoe goed een specifiek type kunstmatige intelligentie, een neuraal netwerk, deze filtertaak kon uitvoeren onder een breed scala aan realistische omstandigheden. Ze keken niet alleen naar een perfecte, geïdealiseerde sensor in een vacuüm; ze wilden weten of hun "slimme pixel"-systeem zou overleven in de rommelige, harde omgeving van een deeltjesversneller. Ze simuleerden hoe het systeem zou reageren wanneer de fysieke grootte van de sensorpixels veranderde, wanneer de sensoren in verschillende delen van de detector werden geplaatst waar magnetische velden anders werken, en wanneer de sensoren door jarenlange straling beschadigd raakten. Ze testten ook hoe het systeem omging met elektrische ruis, de statische elektriciteit die van nature voorkomt in elektronische circuits. Hun werk richtte zich op een specifiek algoritme dat naar de vorm van het spoor van het deeltje kijkt om het momentum te raden, oftewel hoe hard het zijwaarts beweegt. Als het spoor kort en recht is, beweegt het deeltje waarschijnlijk langzaam en kan het genegeerd worden. Als het spoor lang en gebogen is, is het deeltje snel en waardevol, dus houdt het systeem het vast.

De onderzoekers begonnen met het bouwen van een digitaal model van de sensor en het trainen van de kunstmatige intelligentie om deze sporen te herkennen. Ze testten het systeem met zeven verschillende sensordesigns, waarbij ze de afstand tussen de pixels en de dikte van het sensormateriaal veranderden. Ze ontdekten dat de vorm van de sensor een grote rol speelde. Wanneer de pixels verder uit elkaar stonden, had het systeem meer moeite om de fijne details van het spoor van het deeltje te zien, en nam het vermogen om snelle deeltjes van langzame te onderscheiden af. Ze ontdekten echter een slimme workaround: het maken van de sensor dikker hielp om de grotere afstand tussen de pixels te compenseren. Een dikkere sensor zorgde ervoor dat het deeltje een langer, duidelijker spoor achterliet, wat de computer genoeg informatie gaf om een goede beslissing te nemen, zelfs met grotere pixels. Voor het specifieke sensordesign dat gepland is voor een grote upgrade bij de Large Hadron Collider, identificeerde het systeem de snelle deeltjes met succes ongeveer 92% van de tijd, terwijl het bijna 30% van de nutteloze data wegwierp. Deze balans is cruciaal; het betekent dat het systeem de waardevolle natuurkundige data behoudt terwijl het de hoeveelheid informatie die naar de hoofdcomputers moet worden verzonden, aanzienlijk vermindert.

De studie keek ook naar hoe het systeem presteerde in verschillende delen van de detector. In het centrale barrel-gedeelte helpt het magnetische veld om de banen van de deeltjes te buigen, waardoor hun sporen gemakkelijker te onderscheiden zijn. In de endcap-secties, waar de sensoren anders zijn georiënteerd, buigt het magnetische veld de deeltjes niet op dezelfde manier, wat de taak moeilijker maakt. De onderzoekers ontdekten dat het systeem inderdaad minder effectief was in deze endcap-regio's, maar dat het nog steeds goed genoeg werkte om nuttig te zijn. Ze simuleerden ook wat er gebeurt wanneer de sensoren gedurende vele jaren worden gebombardeerd met straling, een proces dat het silicium beschadigt en de manier waarop de elektrische signalen reizen verandert. Wanneer ze het oorspronkelijke computerprogramma gebruikten dat getraind was op verse sensoren, faalde het systeem jammerlijk op de beschadigde sensoren, waarbij het goede data weggooide en slechte data hield. Maar hier is de belangrijkste bevinding: wanneer ze het computerprogramma simpelweg opnieuw trainden met data van de beschadigde sensoren, herstelde het systeem bijna al zijn prestaties. Dit bewijst dat het systeem niet fragiel is; het kan zich aanpassen aan de veroudering van de hardware door simpelweg de interne instellingen bij te werken.

Ten slotte testten het team de veerkracht van het systeem tegen elektrische ruis, de willekeurige statische elektriciteit die elektrische signalen in de war kan brengen. Ze ontdekten dat als de ruis hoog was, de prestaties van het systeem aanzienlijk daalden. Echter, net als bij stralingsschade, ontdekten ze dat het opnieuw trainen van het systeem met data die deze ruis bevat, de mogelijkheid bood om de nauwkeurigheid te behouden. Zelfs met ruisniveaus die normaal gesproken een standaarddetector zouden ruïneren, bleef het opnieuw getrainde systeem binnen enkele procentpunten van de oorspronkelijke prestaties. De onderzoekers controleerden ook of het systeem een paar defecte pixels kon verwerken, die gebruikelijk zijn in echte detectoren, en vonden dat het robuust genoeg was om deze te negeren zonder speciale aanpassingen nodig te hebben. Deze resultaten suggereren dat de technologie klaar is voor de echte wereld. Het systeem is geen eenmalige oplossing die kapot gaat wanneer de omstandigheden veranderen; het is een flexibel hulpmiddel dat kan worden bijgewerkt naarmate de detector veroudert en de omgeving verandert. Door te bewijzen dat deze intelligente filtering werkt over verschillende ontwerpen, magnetische condities en niveaus van schade, biedt de studie een solide fundament voor het bouwen van de volgende generatie deeltjesdetectoren. Deze slimme sensoren zullen natuurkundigen in staat stellen om de datastroom met ongekende snelheden te behouden, zodat er geen enkel interessant deeltje verloren gaat, ongeacht hoeveel deeltjes er botsen.

Technische Samenvatting: Robuustheid van de Smartpixels-classificator voor verschillende gesimuleerde sensorgeometrieën en niet-ideale detectorcondities

Probleemstelling
Volgende generaties deeltjesversnellerexperimenten, zoals de High-Luminosity Large Hadron Collider (HL-LHC), zullen te maken krijgen met ongekende dichtheden van geladen deeltjes, met name nabij het interactiepunt. Deze hoge dichtheid vereist extreem fijne pixel-pitches in silicium tracking-detectoren, wat op zijn beurt de bandbreedtevereisten voor gegevensuitlezing verergert. Het "Smartpixels"-project heeft tot doel dit te verzachten door machine learning (ML)-algoritmen direct op de detector-uitleeschip (ASIC) te implementeren om realtime datareductie uit te voeren. Specifiek is het doel om tracks met een lage transversale impuls ( $p_T$ ) te filteren op basis van de geometrische vorm van de ladingsdepositie-clusters voordat deze off-detector worden verzonden. Hoewel eerder werk de haalbaarheid van deze aanpak voor een enkele benchmark-sensorgeometrie heeft vastgesteld, bleef er een kritische kloof bestaan in het begrijpen van hoe de prestaties van de classificator afhangen van variërende sensorontwerpen, operationele condities en niet-ideale detectorstaten (zoals stralingsschade en ruis). Zonder dit begrip is de inzet van dergelijke systemen in diverse detectorregio's (barrel versus endcap) en gedurende de levensduur van de detector onzeker.

Methodologie
De auteurs maakten gebruik van het PixelAV simulatieframework om datasets te genereren voor de training en validatie van een neuraal netwerk (NN) classificator. De simulatie omvatte gedetailleerde modellen van siliciumdetectoren, waarbij rekening werd gehouden met drift, diffusie, het Hall-effect en stralingsgeïnduceerde ladingstrapping.

Datasets: Er zijn twee primaire datasets gemaakt: een "flat- $p_T$ " dataset (uniforme verdeling van 0,03 tot 5 GeV) voor training om momentum-bias te vermijden, en een "physical- $p_T$ " dataset (vallende verdeling typerend voor 13 TeV $pp$-botsingen) voor evaluatie.
Sensorconfiguraties: Zeven verschillende sensorgeometrieën zijn onderzocht, waarbij variatie werd aangebracht in de pixel-pitch (langs $x$ en $y$ ) en de sensordikte. Deze omvatten de baseline $50 \times 12,5 \times 100$ $\mu m^3$ , de CMS Phase-2 upgrade geometrie ( $100 \times 25 \times 100$ $\mu m^3$ ), en een dikkere variant ( $100 \times 25 \times 150$ $\mu m^3$ ).
Niet-ideale Condities: Simulaties dekten:
- Geometrie: Barrel-regio's (waar het magnetisch veld loodrecht op de sensor staat) en Endcap-regio's (waar het veld parallel is, waardoor Lorentz-drift wordt geëlimineerd).
- Bestraling: Sensoren werden gesimuleerd bij fluences die overeenkomen met 0, 370 en 1100 $fb^{-1}$ geïntegreerde luminositeit.
- Ruis: Gaussische ruis werd in de ladingcollectie-simulatie geïnjecteerd op basis van Equivalent Noise Charge (ENC) berekeningen afgeleid van Cadence Virtuoso/Spectre ASIC-simulaties.
Algoritme: Een neuraal netwerk-classificator werd toegepast, die als input de "cluster $y$ -profiel" (geïntegreerde lading geprojecteerd op de $y$ -as) en de invallende azimutale positie ( $y_0$ ) gebruikt. Het netwerk geeft waarschijnlijkheden uit voor drie klassen: high $p_T$ tracks, en twee low $p_T$ categorieën (waarbij onderscheid wordt gemaakt tussen tegengesteld geladen tracks die in tegengestelde richtingen buigen). De netwerkarchitectuur bestaat uit één dichte verborgen laag (128 neuronen) en één outputlaag (3 neuronen).

Belangrijkste Bijdragen
Dit artikel vormt de eerste systematische studie naar de robuustheid van de Smartpixels-classificator over een breed scala aan ontwerpparameters en operationele condities. De belangrijkste bijdragen zijn:

Geometrie-afhankelijkheid: Kwantificeren hoe pixel-pitch en sensordikte de $p_T$ -discriminatie beïnvloeden.
Regio-vergelijking: Het evalueren van prestatieverschillen tussen barrel- en endcap-regio's, specifiek het isoleren van de impact van Lorentz-drift.
Stralingsbestendigheid: Het aantonen van de degradatie van een classifier met vaste gewichten onder bestraling en het bewijzen dat prestaties kunnen worden hersteld door hertraining.
Ruisresistentie: Het beoordelen van de impact van elektronische ruis en defecte pixels, waarbij wordt aangetoond dat hertraining op met ruis geïnjecteerde data de prestaties herstelt.

Resultaten

Sensorgeometrie: Een kleinere pixel-pitch in de buigrichting ( $y$ ) en een grotere sensordikte verbeteren de $p_T$ -discriminatie door beter opgeloste clusterkenmerken te bieden. Het vergroten van de $y$ -pitch verslechtert de prestaties, maar dit verlies kan gedeeltelijk worden gecompenseerd door de sensordikte te vergroten. Voor de CMS HL-LHC sensor geometrie ( $100 \times 25 \times 100$ $\mu m^3$ ) bereikte de classificator een signalefficiëntie van $(91,9 \pm 0,7)\%$ en een datareductie van $(29,7 \pm 1,0)\%$ . De dikkere variant ( $100 \times 25 \times 150$ $\mu m^3$ ) herstelt een deel van het prestatieverlies door de grotere pixel-pitch, maar presteert niet zo goed als de $50 \times 12,5 \times 100$ $\mu m^3$ baseline.
Lorentz-drift: De afwezigheid van Lorentz-drift (in endcap-regio's of 3D-sensoren) vermindert de prestaties. Bij een $p_T$ -grens van 0,2 GeV vertoonden endcap-sensoren verminderde prestaties vergeleken met barrel-sensoren. Echter, de specifieke impact van het verwijderen van Lorentz-drift (gesimuleerd door het magnetisch veld op nul te zetten in barrel-pixels) resulteerde in een absolute daling van de prestaties van minder dan 6% over alle metrieken.
Bestraling: Geaccumuleerde stralingsschade verandert de clustervormen aanzienlijk, wat de signalefficiëntie met ongeveer 30–60% in absolute termen vermindert als de netwerkgewichten niet worden bijgewerkt. Echter, het hertrainen van het netwerk op bestraalde data en het bijwerken van de ASIC-gewichten herstelt bijna alle prestaties, waarbij de signalefficiëntie en datareductie binnen respectievelijk 7% en 2% van de oorspronkelijke waarden blijven, zelfs bij 1100 $fb^{-1}$ .
Ruis: Het verhogen van de ruisniveaus (tot 100 elektronen) veroorzaakt een aanzienlijke daling in de prestaties voor een netwerk dat getraind is op ruisvrije data. Echter, hertraining op met ruis geïnjecteerde datasets behoudt de prestaties binnen 6% van de baseline. Het netwerk demonstreerde ook robuustheid tegen defecte pixels (<1% rate), waarbij de prestaties binnen 1% van het nominale geval bleven zonder hertraining.

Betekenis en Vooruitblik
Het artikel concludeert dat hoewel niet-ideale condities (ruis, bestraling, geometrie-variaties) de prestaties van een statische classifier ernstig verslechteren, de Smartpixels-aanpak levensvatbaar blijft door het gebruik van herprogrammeerbare logica in de ASICs. De mogelijkheid om het netwerk periodiek te hertrainen en gewichten bij te werken, stelt het systeem in staat om zich aan te passen aan sensorveroudering en veranderende operationele condities.

De auteurs stellen dat deze bevindingen richting geven aan ontwerpoverwegingen voor toekomstige detectoren die intelligente, on-sensor datareductie willen implementeren. Zij benadrukken dat voor gebruik in de eerste laag van een trigger-systeem ten minste twee lagen van smartpixels vereist zijn. Het huidige werk richt zich op de binnenste laag, die de meest strikte bandbreedte-eisen heeft. Toekomstig werk zal deze studies uitbreiden naar gedisplaceerde tracks (relevant voor langlevende deeltjes), multi-layer tracking-systemen en de hybridisatie van Smartpixels ASICs met pixel-sensoren voor teststraaldemonstraties. De resultaten suggereren dat deze technologie de datadoorvoer kan verminderen terwijl de hoge natuurkundige prestaties behouden blijven, een noodzaak voor het succes van volgende generatie deeltjesversnellerexperimenten.

Meer zoals dit