Machine Learning Enables Real-Time Waveform Decomposition for Dual-Readout Calorimetry

Dit artikel toont aan dat machine learning-modellen Cherenkov- en scintillatiesignalen in dual-readout calorimeters effectief kunnen scheiden bij lagere bemonsteringsfrequenties met FPGA-compatibele latentie, waardoor een praktische real-time alternatief wordt geboden voor traditionele template-fitting voor toekomstige Higgs-fabrieksdetectoren.

De kern

Stel je voor dat je probeert een duet te beluisteren waarbij twee musici tegelijkertijd spelen. De ene musicus (het Cherenkov-licht) speelt een zeer korte, scherpe "ping" die direct plaatsvindt. De andere musicus (het scintillatie-licht) speelt een lange, trage, vervagende zoem die een tijdje aanhoudt.

In de wereld van de deeltjesfysica gebruiken wetenschappers speciale kristallen om deze "noten" van subatomaire deeltjes op te vangen. Om te begrijpen wat het deeltje was, moeten ze precies bepalen hoeveel van de "ping" en hoeveel van de "zoem" in het mengsel zat. Dit heet Dual-Readout Calorimetrie.

Hier is het probleem: In de toekomst zullen deze deeltijddetectoren zo druk zijn dat ze een enorme vloed aan data zullen produceren. Als ze proberen elk klein detail van de geluidsgolf (het golfvormsignaal) op te nemen om de twee musici te scheiden, zal de datastroom zo groot zijn dat het het systeem verstopt, net als het proberen om een film in 4K-resolutie te downloaden via een inbelverbinding.

De Oude Manier: De Langzame, Zorgvuldige Detective
Traditioneel hebben wetenschappers een methode gebruikt die Template Fitting heet. Stel je een detective voor die een bibliotheek heeft met perfecte opnames van de "ping" en de "zoem". Wanneer een nieuwe, rommelige opname binnenkomt, probeert de detective de volume van de perfecte opnames wiskundig aan te passen totdat ze overeenkomen met de rommelige opname.

• De Haken: Deze detective is zeer grondig maar zeer traag. Hij moet complexe wiskunde uitvoeren voor elke individuele opname. Als de opname van lage kwaliteit is (lage samplingfrequentie), raakt de detective in de war en maakt hij fouten. Om goede resultaten te krijgen, hebben ze een supersnelle, hoogwaardige opname nodig, wat dat probleem van de enorme datavloed veroorzaakt.

De Nieuwe Manier: De AI-Musicus
Dit artikel introduceert een nieuwe aanpak met behulp van Machine Learning (ML). In plaats van een trage detective, hebben ze een compacte AI (een neurale netwerk) getraind om naar de rommelige opname te luisteren en direct te raden wat het volume van de "ping" en de "zoem" is.

• De Magie: De AI is als een doorgewinterde musicus die duizenden van deze duetten heeft gehoord. Zelfs als de opname wazig is of van lage kwaliteit (lage samplingfrequentie), kan de AI nog steeds het verschil tussen de scherpe "ping" en de trage "zoem" bijna direct onderscheiden.

Wat het Artikel Vond
De onderzoekers testten deze AI op drie verschillende soorten kristal-"instrumenten" (BGO, BSO en PWO), elk met verschillende geluidskarakteristieken:

1. Snelheid versus Kwaliteit: De AI kon werken met opnames van veel lagere kwaliteit (lagere samplingfrequenties) dan de oude detective-methode. Zelfs met een "wazige" opname was de AI net zo nauwkeurig als de detective met een "kristalheldere" opname.
2. Eén Oplossing voor Alles: Ze trainden één enkel AI-model op een mengsel van verschillende deeltjesenergieën (van zwak tot sterk). Dit ene model werkte perfect in alle situaties, wat betekent dat ze het niet hoeven te hertrainen voor elke nieuwe situatie.
3. In de Zak Past (FPGA): Het meest opwindende deel is dat de AI klein en efficiënt genoeg is om direct in de elektronica van de detector te worden gebouwd (specifiek, een chip genaamd een FPGA). Dit betekent dat de detector direct bij de bron kan "luisteren" en "scheiden", voordat de data de machine zelfs verlaat. Dit reduceert drastisch de hoeveelheid data die moet worden verzonden.

De Conclusie
Het artikel bewijst dat we door gebruik te maken van een slimme, compacte AI deze twee soorten lichtsignalen veel efficiënter kunnen scheiden dan voorheen. Dit stelt toekomstige deeltijddetectoren in staat om "slimmer" te zijn bij de bron, enorme hoeveelheden data te verwerken zonder overweldigd te raken, wat cruciaal is voor de volgende generatie deeltjesversnellers.

Technische samenvatting

1. Probleemstelling

Dual-readout calorimeters zijn een toonaangevende technologie voor toekomstige experimenten in de hoge-energiefysica (bijv. FCC-ee) omdat ze gelijktijdig Cherenkov (C) en scintillatie (S) licht meten. Deze dubbele meting maakt het mogelijk om de elektromagnetische fractie per gebeurtenis te corrigeren, wat de resolutie voor hadronische energie aanzienlijk verbetert.

Het extraheren van deze twee componenten uit een samengesteld signaal vormt echter aanzienlijke uitdagingen:

• Signaaloverlapping: Cherenkov-licht is prompt, terwijl scintillatie-licht een langzamere, kristalafhankelijke verval heeft. Het scheiden ervan vereist het analyseren van de temporele vorm van het golfvormsignaal.
• Data-rate knelpunt: Traditionele template fitting-methoden vereisen hoge sample-frequenties (bijv. 3,125 GHz) om de golfvormvorm nauwkeurig op te lossen. Bij colliders met hoge luminositeit genereert het uitlezen van volledige golfvormen met deze frequenties onacceptabele datavolumes en stroomverbruik.
• Berekeningskosten: Template fitting omvat iteratieve minimalisatie (bijv. Simplex/MIGRAD-algoritmen), wat rekenkundig duur is en incompatibel is met real-time verwerking in de voorste elektronica.
• Verslechtering van prestaties: Het verlagen van de sample-frequentie om bandbreedte te besparen zorgt ervoor dat de prestaties van template fitting snel verslechteren, omdat de golfvorm onderbeperkt wordt voor multi-parameter optimalisatie.

Het artikel adresseert de behoefte aan een real-time, laag-latentie en bandbreedte-efficiënte methode om deze golfvormen direct in de voorste elektronica te decomponeren (Edge Machine Learning).

2. Methodologie

De auteurs stellen voor om conventionele template fitting te vervangen door compacte Deep Neural Networks (DNN's) die worden ingezet op Field-Programmable Gate Arrays (FPGA's).

A. Simulatie en Datageneratie

• Detectormodel: Een hybride dual-readout calorimeter (homogeen kristal ECAL + sampling HCAL) werd gesimuleerd met Geant4.
• Onderzochte kristallen: Drie representatieve kristallen met onderscheidende vervalkarakteristieken werden gebruikt:
  • BGO: Hoge lichtopbrengst, zeer langzaam verval (dominante staart van 320 ns).
  • BSO: Matige opbrengst, bi-exponentieel verval.
  • PWO: Snel verval, sterke temporele overlapping met Cherenkov-licht.
• Golfvormsynthese: Samengestelde golfvormen werden gegenereerd door de aankomsttijden van fotonen (Cherenkov vs. Scintillatie) te convolteren met Single Photon Response (SPR)-templates. Ruisbronnen omvatten SiPM-donkertellingen en willekeurige tijdsverschuivingen ($t_0$) om timingvariaties te simuleren.
• Ground Truth: Elke golfvorm was gelabeld met het ware aantal Cherenkov-fotonen ($c$), scintillatie-fotonen ($s$) en tijdsverschuiving ($t_0$).

B. Machine Learning Architectuur

• Modeltype: Een compact, volledig verbonden neurale netwerk (FCNN).
• Architectuur: Input $\to$ FC(16, ReLU) $\to$ FC(24, ReLU) $\to$ FC(8, ReLU) $\to$ FC(3, Linear).
• Taak: Directe regressie van parameters $(c, s, t_0)$ vanuit de gedigitaliseerde golfvorm in één enkele forward pass.
• Trainingsstrategie:
  • Getraind op een gecombineerde dataset van elektronen en neutrale kaonen over meerdere energieën (1, 5, 10, 30 GeV) om energie-onafhankelijkheid te waarborgen.
  • Verliesfunctie: Weighted Mean Squared Error (MSE) met gewichten $(4.0, 1.0, 0.3)$ om de nauwkeurigheid van het fotontelling te prioriteren boven timing.
  • Downsampling: Baseline 3,125 GHz golfvormen werden met factoren van 10, 20, 50 en 300 gedownsampt (tot 10,4 MHz) om de prestaties bij verlaagde data-snelheden te evalueren.

C. FPGA Inzetting

• Synthese: Modellen werden omgezet naar hardware met hls4ml (High-Level Synthesis).
• Optimalisatie: Om binnen de FPGA-bronnen te passen, pasten de auteurs magnitude-based pruning en Quantization-Aware Training (QAT) toe.
• Quantisatie: Fixed-point rekenkunde werd gebruikt om de noodzaak voor DSP-blokken te elimineren, in plaats daarvan leunend op shift-and-add operaties.

3. Belangrijkste Bijdragen

1. Systematische Vergelijking: De eerste rigoureuze vergelijking tussen template fitting en ML voor dual-readout golfvormdecompositie over drie verschillende kristaltypes.
2. Superioriteit bij Lage Snelheid: Aangetoond dat ML-modellen vergelijkbare of superieure nauwkeurigheid kunnen bereiken ten opzichte van template fitting bij aanzienlijk verlaagde sample-frequenties (bijv. 10,4 MHz vs. 3,125 GHz).
3. Universeel Model: Aangetoond dat een enkel model, getraind op een breed energiespectrum (1–30 GeV), robuust generaliseert zonder hertraining, een kritieke vereiste voor collider-omgevingen.
4. Hardware Haalbaarheid: Aangetoond dat gecomprimeerde ML-modellen kunnen worden gesynthetiseerd tot FPGA-firmware met latenties < 25 ns en bronbenutting die geschikt is voor real-time voorste verwerking (30k–330k LUTs).

4. Belangrijkste Resultaten

Prestaties vs. Sample-frequentie

• Extrahering van Fotontelling: Bij de laagste sample-frequentie (10,4 MHz) bereikte de ML-aanpak een 68e percentiel fout ($err_{68}$) van ~5% voor Cherenkov- en Scintillatie-tellingen. Deze prestatie kwam overeen met of overtrof template fitting dat draaide op de volledige 3,125 GHz baseline.
• Extrahering van Timing: Hoewel ML bij 10,4 MHz template fitting bij 3,125 GHz niet kon overtreffen (vanwege fundamenteel informatieverlies door undersampling), presteerde het aanzienlijk beter dan template fitting wanneer beide werden uitgevoerd op dezelfde lage snelheid (10,4 MHz).
• Kristalspecifiek:
  • BGO: ML excelleerde in het scheiden van het kleine Cherenkov-signaal van de overweldigende scintillatiestaart.
  • PWO: Ondanks de ernstige temporele overlapping behield ML concurrerende prestaties bij lage snelheden waar template fitting faalde.

Bronnefficiëntie (FPGA)

• Latentie: Alle gecomprimeerde modellen bereikten inferentie-latenties van 25 ns, compatibel met FCC-ee bunch crossing-frequenties.
• Bronnen:
  • 10,4 MHz modellen: ~30k LUTs, 213 FFs, 0 DSPs.
  • 312,5 MHz modellen: ~310k LUTs, ~4k FFs, 0 DSPs.
• Trade-off: De Pareto-frontier analyse toonde aan dat aanzienlijke rekenkundige besparingen mogelijk zijn door lagere sample-frequenties te selecteren zonder in te leveren op fysica-prestaties.

Generalisatie

• Het op meerdere energieën getrainde model reconstrueerde gebeurtenissen succesvol over het volledige energiespectrum (1–30 GeV) zonder degradatie, wat het gebruik valideert voor onbekende bundel-energieën.

5. Betekenis

Dit werk vestigt Edge Machine Learning als een haalbaar en superieur alternatief voor traditionele template fitting voor dual-readout calorimetrie.

• Mitigatie van Data-rate: Door nauwkeurige signalextractie mogelijk te maken bij sample-frequenties die 100x–300x lager zijn dan momenteel vereist, vermindert ML de databandbreedte en het stroomverbruik van het uitleessysteem drastisch.
• Real-time Verwerking: Het vermogen om complexe golfvormdecompositie direct op de detector uit te voeren (on-FPGA) maakt "slimme" detectoren mogelijk die intelligente kenmerkextractie uitvoeren voordat data de detector verlaat.
• Toekomstige Impact: Deze aanpak biedt een praktische weg voor de implementatie van dual-readout calorimetrie in next-generation Higgs-fabrieken (zoals FCC-ee), waar hoge luminositeits-data-snelheden anders een volledig golfvorm-uitlezen onmogelijk zouden maken.