Tracking performance study of the LHCb UP Detector

Technische Samenvatting: Studie naar de Tracking-prestaties van de LHCb UP Detector

Probleemstelling
Het LHCb-experiment bereidt zich voor op de Upgrade II-fase in de jaren 2030, die gericht is op een instantane luminositeit van tot $1,0 \times 10^{34} \text{ cm}^{-2}\text{s}^{-1}$. Deze toename in luminositeit zal resulteren in een aanzienlijk hogere detector-occupatie en datasnelheden, wat ernstige uitdagingen vormt voor de trackreconstructie, met name met betrekking tot patroonherkenning in dichte omgevingen. Een cruciaal onderdeel van deze upgrade is de vervanging van de huidige silicon-strip Upstream Tracker (UT) door een nieuwe vier-vlakken pixeldetector, de Upstream Pixel Tracker (UP). Terwijl de UT, gebaseerd op eendimensionale strip-sensoren, standalone trackreconstructie onpraktisch maakt, biedt het gebruik van de UP met twee-dimensionale Monolithic Active Pixel Sensors (MAPS) het potentieel voor efficiënte standalone reconstructie. De primaire uitdaging die in dit werk wordt aangepakt, is het ontwikkelen van algoritmen die in staat zijn om tracks binnen de UP-detector alleen te reconstrueren met een hoge efficiëntie en lage ghost-rates, om te dienen als input voor globale reconstructie en om te voldoen aan de eisen voor real-time verwerking onder omstandigheden met hoge luminositeit.

Methodologie
Het artikel beschrijft het ontwerp van de UP-detector en evalueert twee verschillende benaderingen voor standalone trackreconstructie:

1. Detectorontwerp: De UP-detector bestaat uit vier detectievlakken geplaatst stroomopwaarts van de magneet. Elk vlak dekt een actief gebied van ongeveer $1400 \times 1200 \text{ mm}^2$ met een centrale beam pipe opening. De detector is opgebouwd uit lichtgewicht ondersteunende staves die modules bevatten bestaande uit 14 MAPS-chips in een $7 \times 2$ configuratie op flexibele circuits. De pixelgrootte is $50 \times 150 \text{ \mu m}^2$, met een geschatte materiaalbudget van $1,2\% X_0$ per vlak in het bereik $2 < \eta < 4,5$.

2. Software-algoritme (Seed-Forward met Optimalisatie):

   • De auteurs hebben een "seed-forward" strategie aangepast, vergelijkbaar met die gebruikt wordt voor de VELO-detector.
   • Proces: Seed-hits worden geselecteerd uit een referentielaag. Zoekvensters worden geopend in opeenvolgende lagen om compatibele hit-paren te identificeren, die vervolgens worden geëxtrapoleerd naar de overige lagen.
   • Optimalisatie: Om het probleem van "ghost tracks" veroorzaakt door overlappende modules en extra hits aan te pakken, is een "hit-sharing optimalisatie" geïmplementeerd. Wanneer een hit compatibel is met meerdere track-kandidaten, wordt deze bij voorkeur toegewezen aan de kandidaat met het hoogste aantal gematchte hits.
   • Iteratieve Verfijning: De grootte van het zoekvenster wordt iteratief geoptimaliseerd om een balans te vinden tussen reconstructie-efficiëntie en de onderdrukking van de ghost rate.

3. Hardware-algoritme (FPGA-gebaseerde RETINA):

   • Om de geprojecteerde online datadoorvoer van 200 Tbit/s aan te pakken, onderzochten de auteurs een FPGA-gebaseerde implementatie met behulp van het RETINA-algoritme, oorspronkelijk ontwikkeld voor de VELO.
   • Proces: Het algoritme maakt gebruik van een Hough-transformatie om het track-vindprobleem te mappen naar een vierdimensionale parameterrum $(r_0, \phi_0, r_1, \phi_1)$ gedefinieerd door twee referentievlakken bij de ingang en uitgang van de detector.
   • Implementatie: De parameterrum wordt gediscretiseerd in bins (momenteel $150^4$ cellen, gereduceerd tot $\sim 6\text{M}$ actieve cellen via fase-ruimte beperkingen). Detector-hits verhogen de overeenkomstige cellen, en track-kandidaten worden geïdentificeerd als cellen die ten minste drie hits bevatten. Vervolgens wordt een $\chi^2$-gebaseerde lineaire regressie toegepast om de kandidaten te verfijnen.

Belangrijkste Bijdragen en Resultaten
De studie presenteert prestatie-metrieken voor beide reconstructiemethoden op basis van Monte Carlo-simulaties:

• Prestaties Software-algoritme:

  • Het initiële seed-forward algoritme behaalde een algehele efficiëntie van 82,1% met een ghost rate van 11,5%.
  • Na het toepassen van de hit-sharing optimalisatie verbeterde de algehele efficiëntie naar 91,4% (stijgend naar 97,7% voor tracks met $p > 5 \text{ GeV}/c$), terwijl de ghost rate werd verminderd tot 3,9%.
  • De auteurs merken op dat tracks met $p > 1,5 \text{ GeV}/c$ over het algemeen rechte lijnen volgen, wat de seed-forward benadering vergemakkelijkt.

• FPGA/RETINA Prestaties:

  • Het FPGA-gebaseerde RETINA-algoritme vertoonde een tracking-prestatie die vergelijkbaar is met de conventionele seed-forward benadering wat betreft de algehele efficiëntie.
  • Het vertoonde een merkbare verbetering in reconstructie-efficiëntie in het laag-momentum gebied, toe te schrijven aan de effectiviteit van de Hough-transformatie-strategie bij patroonherkenning binnen de track-parameterrum.
  • Echter, de huidige FPGA-implementatie vertoonde een iets hogere ghost rate en een lagere efficiëntie in het hoog-momentum gebied vergeleken met het geoptimaliseerde software-algoritme. De auteurs schrijven dit verschil toe aan het feit dat het software-algoritme uitgebreid is geoptimaliseerd (inclusen hit-sharing en iteratieve reconstructie), wat nog niet volledig is geïntegreerd in de RETINA-implementatie.

Betekenis en Claims
Het artikel beweert dat de UP-detector, gecombineerd met deze reconstructie-algoritmen, een levensvatbare oplossing biedt voor de uitdagingen van de LHCb Upgrade II. Specifiek:

• Hoge Zuiverheid van Inputs: De geoptimaliseerde standalone tracks leveren hoogwaardige inputs voor de globale LHCb-reconstructie, wat de associatie tussen upstream en downstream track-segmenten verbetert en de momentumresolutie verhoogt, met name voor laag-$p_T$ deeltjes en gedisplaceerde tracks van langlevende deeltjes.
• Real-Time Levensvatbaarheid: De FPGA-gebaseerde RETINA-benadering demonstreert het potentieel voor lage-latentie, sterk geparalleleerde tracking, wat essentieel is voor real-time event-reconstructie en triggering in omgevingen met hoge occupatie.
• Toekomstperspectief: De resultaten suggereren dat UP standalone tracking een robuust onderdeel is voor toekomstige real-time trackingsystemen, wat een fundament legt voor het omgaan met nog hogere luminositeitscondities waarbij hardware-versnelde tracking cruciaal zal zijn.

Het werk beweert niet dat de FPGA-oplossing momenteel superieur is aan de software-oplossing in alle metrieken, maar stelt eerder dat het een vergelijkbare prestatie levert met het extra voordeel van hardware-acceleratie, waarbij verdere optimalisatie wordt verwacht om de resterende prestatiekloof te dichten.