🔬 physics

Online Data Reduction with Spiking Neural Networks: A Temporal-Coincidence Encoder and Distributed SNN for the ePIC dRICH Detector

Dit artikel presenteert een tweestaps online datareductie-pipeline die gebruikmaakt van spiking neurale netwerken — een temporele samenkomst-encoder en een gedistribueerde classifier — om effectief hoogfrequente dark count-ruis uit de SiPM-kanalen van de ePIC dRICH-detector te filteren, terwijl een hoge signaaldetectie-efficiëntie behouden blijft.

Oorspronkelijke auteurs: Pierpaolo Perticaroli, Roberto Ammendola, Andrea Biagioni, Ottorino Frezza, Francesca Lo Cicero, Michele Martinelli, Pier Stanislao Paolucci, Elena Pastorelli, Luca Pontisso, Cristian Rossi, Francesco

Gepubliceerd 2026-07-07

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Pierpaolo Perticaroli, Roberto Ammendola, Andrea Biagioni, Ottorino Frezza, Francesca Lo Cicero, Michele Martinelli, Pier Stanislao Paolucci, Elena Pastorelli, Luca Pontisso, Cristian Rossi, Francesco Simula, Piero Vicini, Alessandro Lonardo

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

Stel je voor dat je probeert naar één enkel, zacht gesprek te luisteren in een kamer waar 320.000 mensen tegelijkertijd schreeuwen. Dat is de uitdaging waar het ePIC-experiment voor staat, een enorme deeltjesfysica-detector die is ontworink om te bestuderen hoe elektronen en ionen botsen.

De detector gebruikt een speciaal "oog" genaamd een dRICH, dat bedekt is met 320.000 minuscule sensoren (SiPM's). Deze sensoren zijn bedoeld om lichtflitsen (Cherenkov-straling) op te vangen die ontstaan wanneer een deeltje erdoorheen beweegt. Echter, deze sensoren zijn ook "ruisachtig". Na verloop van tijd beginnen ze willekeurige, valse lichtflitsen te genereren (de zogenaamde Dark Count Rate of DCR), simpelweg omdat ze oud zijn en beschadigd zijn door straling.

Het Probleem: Te Veel Ruis
Het echte signaal (de deeltjesflits) is zeer snel—het gebeurt in een piepkleine burst van 2 nanoseconden. De valse ruis is daarentegen gelijkmatig over de tijd verspreid.
Momenteel zijn de sensoren zo ruisachtig dat ze 300.000 valse flitsen per seconde, per kanaal, genereren. Als de computer zou proberen elke enkele flits te verwerken, zou de datastroom zo enorm zijn dat de internetverbindingen die de detector met de hoofdcomputers verbinden, verstopt zouden raken. Het team moet ten minste 80% van deze data weggooien voordat het de detector verlaat, maar ze mogen de echte signalen niet weggooien.

De Oplossing: Een "Brein-geïnspireerde" Filter
De auteurs stellen een oplossing voor met behulp van Spiking Neural Networks (SNN's). Denk aan een standaard computer als een fabrieksassemblagelijn die elk item controleert, of het nu een diamant of een stuk afval is. Een SNN is meer als een slimme beveiligingsbeambte die alleen reageert wanneer er iets interessants gebeurt. De beambte wacht op een "spike" (een signaal) voordat hij werk verricht.

Hun systeem heeft twee stadia, die fungeren als een controlepost met twee stappen:

Fase 1: De "Coincidence" Poortwachter (De Encoder)

Stel je een uitsmijter bij de deur van een club voor.

De Opstelling: Elke groep van 256 sensoren (een "Photo Detection Unit" of PDU) heeft zijn eigen uitsmijter.
De Truc: De uitsmijter is geprogrammeerd om enkele, eenzame flitsen (ruis) te negeren. Maar als twee of meer sensoren in die groep bijna op exact hetzelfde moment flitsen (binnen een piepklein tijdsvenster), gaat de uitsmijter ervan uit dat het een echt deeltje is en luidt hij een bel (stuurt een "spike").
Het Resultaat: Deze stap is ongelooflijk effectief. Omdat de echte signaalflitsen in een compacte cluster plaatsvinden, komen ze erdoorheen. De willekeurige ruis, die verspreid is over de tijd, triggert de uitsmijter meestal niet. Deze stap gooit direct meer dan 90% van de data weg, waardoor alleen de meest veelbelovende "spikes" overblijven voor de volgende fase.

Fase 2: De Gedistribueerde Jury (De Classifier)

Nu worden de resterende "spikes" naar een team van rechters gestuurd.

De Opstelling: De detector is verdeeld in 30 secties. Elke sectie heeft zijn eigen kleine "mini-brein" (een klein neuraal netwerk) dat naar de spikes uit zijn gebied kijkt.
De Beslissing: Deze mini-breinen praten met een "Hoofdrechter" (een aggregatienetwerk). Ze beslissen snel: "Is dit een echt deeltjes-event (Signaal + Ruis) of gewoon willekeurige statische elektriciteit (Alleen Ruis)?"
De Snelheid: Omdat het systeem "event-driven" is, doet het alleen aan berekeningen wanneer er een spike is om te verwerken. Als er alleen ruis is, blijft het systeem grotendeels stil, wat enorm veel energie en tijd bespaart.

De "Early Exit" Strategie
Het systeem is ook ontworpen om op een goede manier ongeduldig te zijn. Als de "Signaal"-neuronen heel snel beginnen te vuren (wat echte deeltjes doen), stopt het systeem onmiddellijk met nadenken en zegt: "Ja, dat is een deeltje!" Het wacht niet tot de volledige berekening is voltooid. Dit brengt de beslissingstijd terug tot slechts een paar piepkleine stappen, wat het ongelooflijk snel maakt.

De Hardware Test
Het team heeft een prototype gebouwd op een gespecialiseerde computerchip (een FPGA) die de architectuur van een brein nabootst.

Het Resultaat: Ze hebben succesvol data verwerkt met een snelheid van 1,7 miljoen events per seconde.
Het Doel: De detector moet 100 miljoen events per seconde kunnen verwerken. Hoewel 1,7 miljoen er nog niet is, bewees de test dat het concept werkt. Het team heeft een duidelijke lijst met optimalisaties (zoals de "beveiligingsbeambte" sneller maken en de "rechters" efficiënter maken) om de kloof te overbruggen naar de volledige snelheid.

Samenvattend
Dit artikel beschrijft een slimme manier om ruis uit een gigantische deeltjesdetector te filteren. In plaats van te proberen alles te verwerken, gebruiken ze een "slim filter" dat alleen aandacht besteedt aan zaken die op exact hetzelfde moment gebeuren. Dit vermindert de datastroom met meer dan 90% en gebruikt een brein-achtig netwerk om beslissingen in een fractie van een seconde te nemen, zodat alleen de interessante natuurkundige gebeurtenissen naar de hoofdcomputers worden gestuurd.

Technische Samenvatting: Online Datareductie met Spiking Neural Networks voor de ePIC dRICH Detector

Probleemstelling
De dual-radiator Ring Imaging Cherenkov (dRICH) detector van het Electron-Ion Collider (EIC) ePIC-experiment wordt geconfronteerd met een ernstige bandbreedte-bottleneck. De detector leest ongeveer 320.000 Silicon Photomultiplier (SiPM) kanalen uit bij een bunch-crossing rate van 100 MHz. Gedurende de levensduur van het experiment wordt de SiPM Dark Count Rate (DCR) geprojecteerd op ~300 kHz per kanaal als gevolg van stralingsschade. Dit resulteert in een ruwe geaggregeerde output van ~6,8 Tbit/s, wat de beschikbare egress-bandbreedte van 30 Gbit/s naar de eerste off-detector verwerkingslaag (Echelon-0) ruimschoots overschrijdt.

De kernuitdaging is een temporeel discriminatieprobleem: echte Cherenkov-hits van fysica-signalen clusteren binnen een nauw venster van ~2 ns van het 10 ns bunch-crossing interval, terwijl DCR-hits uniform verdeeld zijn over het volledige 10 ns venster. Het systeem vereist een online datareductiefactor van ten minste 5 om crossings te verwijderen die alleen ongecorreleerde DCR bevatten, terwijl alle crossings met potentieel fysica-gehalte behouden blijven. Hoewel dichte neurale netwerken (MLP's) voor deze taak zijn voorgesteld, suggereren de fijne tijdsstructuur en de hoge doorvoereisen dat Spiking Neural Networks (SNN's) een potentieel efficiënter, event-gestuurd alternatief zijn.

Methodologie
De auteurs stellen een tweestaps online datareductie-pipeline voor, geïmplementeerd op FPGA's, waarbij gebruik wordt gemaakt van de intrinsieke temporele dynamiek van SNN's:

Fase 1: Temporal-Coincidence Encoder (Per-PDU)
- Architectuur: Een enkele Leaky-Integrate-and-Fire (LIF) neuron wordt toegewezen aan elke Photo Detection Unit (PDU), die 256 SiPM-kanalen aggregeert.
- Mechanisme: De encoder integreert binnenkomende hits over de tijd. Vanwege de uniforme distributie van DCR lekt het membraanpotentiaal sneller weg dan het accumuleert, waardoor de neuron stil blijft. Omgekeerd veroorzaken de geclusterde Cherenkov-hits (binnen ~2 ns) een snelle spanningsstijging, wat een spike triggert.
- Constraint: Het systeem handhaaft een "single-spike-per-bunch-crossing" beleid, waarbij maximaal één spike per PDU per crossing wordt uitgegeven.
- Hardware Implementatie: Een gespecialiseerd, zwaar benaderd LIF-model wordt gebruikt (uniforme gewichten, single-bit membraan, shift-gebaseerde lek) om mismatches in de front-end dataformaten (verpakking van tot 4 hits per woord) op te lossen in een enkele klokcyclus. Deze fase bereikt >90% datasparsificatie voordat een geleerd classifier wordt toegepast.
Fase 2: Distributed SNN Classifier
- Topologie: Een twee-lagen netwerk weerspiegelt de fysieke detectorlay-out.
  - Sub-sector Netwerken: 30 sub-netwerken (één per Data Aggregation and Manipulation, DAM, board) verwerken de 42 encoder-outputs van hun respectieve sub-sectoren. Elk gebruikt een hidden layer van 16 neuronen en een output layer van 4 neuronen.
  - Aggregatie Netwerk: Een centraal netwerk op een specifieke Trigger Processor (TP) board concateneert de 120 lokale features (30 sub-sectoren × 4 features) en classificeert de event als "Signal+Noise" of "Noise-Only."
- Inference Strategie: Het systeem maakt gebruik van een "early-exit" strategie. Als de "Signal" neuron een configureerbaar aantal keren ( $E_T$ ) vroegtijdig vuurt tijdens de inference sequentie, wordt het proces onmiddellijk gestopt. Dit vermindert de gemiddelde latentie aanzienlijk, aangezien Signal-events vroege activatie drijven terwijl Noise-events grotendeels stil blijven.
- Hardware Platform: De classifier draait op de AIGOR multi-core neuromorfische architectuur, ingezet op AMD Versal Premium FPGA's, waarbij Address-Event Representation (AER) wordt gebruikt voor spike routing.

Belangrijkste Bijdragen

End-to-End Methodologie: Het artikel presenteert een volledige pipeline van ruwe SiPM-hits tot triggerbeslissingen, waarbij een hardware-geoptimaliseerde temporele encoder wordt geïntegreerd met een gedistribueerde SNN classifier.
Hardware-Software Co-design: De auteurs demonstreren dat de meest hardware-efficiënte encoder configuratie (een single-bit coincidence detector) samenvalt met het optimale punt op de accuracy-latency Pareto-frontier.
AER-gerouteerde FPGA SNN Karakterisering: Dit werk biedt een gedetailleerde karakterisering van een SNN-pipeline op de grens van een High-Energy Physics (HEP) front-end, waarbij wordt vastgesteld dat synchronisatieverkeer in timestep-gestuurde executie de primaire doorvoer-bottleneck is.
Validatie: Het systeem wordt gevalideerd via software-simulatie op gesimuleerde ePIC-events en hardware-executie op een enkele sub-sector testbed met een AMD Versal Premium VPK180 FPGA.

Resultaten

Classificatie Prestaties: Op gesimuleerde events over het volledige DCR-bereik (25–300 kHz), bereikt het systeem een True Positive Rate (TPR) > 94% en een True Negative Rate (TNR) ≥ 80%.
Sparsificatie: De LIF-encoder alleen al reduceert het datavolume met >90%, waardoor de post-encoder load wordt verlaagd naar ~60–120 spikes per bunch crossing over de volledige detector.
Latentie: Met een early-exit drempel van $E_T=1$ , daalt de gemiddelde classificatie-latentie naar ~2 algoritmische timesteps (van een maximum van 10), met een 99e-percentiel latentie van ~5 timesteps.
Hardware Doorvoer: Een hardware proof-of-concept op een enkele sub-sector behaalde een gemeten doorvoer van ~1,7 MHz. De auteurs merken op dat dit onder de doelstelling van 100 MHz bunch-crossing rate ligt.
Quantization Robuustheid: Het systeem behoudt zijn prestaties met agressieve fixed-point quantisatie (tot aan 4-bit representaties), wat het gebruik van lage-precisie rekenkunde voor resource-efficiëntie valideert.

Betekenis en Claims
Het artikel positioneert dit werk als een concrete demonstratie van SNN's in een volledige HEP Data Acquisition (DAQ) pipeline, een domein waar dergelijke integratie tot nu toe beperkt is gebleven tot vroeg stadium exploratief onderzoek. De auteurs beweren dat de combinatie van een temporele-coincidence encoder en een gedistribueerde SNN een template biedt voor andere timing-gedreven detector toepassingen die op hoge rates opereren.

De betekenis ligt in het adresseren van de specifieke beperkingen van de dRICH detector: de encoder exploiteert de natuurlijke temporele kracht van SNN's om ruis te filteren vóór de classificatie, terwijl de gedistribueerde architectuur de fysieke readout-topologie respecteert. De auteurs erkennen bescheiden dat de huidige hardware doorvoer (1,7 MHz) nog niet voldoet aan de 100 MHz vereiste. Zij identificeren het primaire knelpunt als het synchronisatieverkeer dat inherent is aan timestep-gestuurde executie op AER-fabrics. Het artikel concludeert dat het evolueren van het executiemodel naar event-gestuurde dynamiek, samen met multi-spike AER pakketten en hogere klokfrequenties, de noodzakelijke optimalisatiepad vormt om de doelstelling te bereiken.

Fase 1: De "Coincidence" Poortwachter (De Encoder)

Fase 2: De Gedistribueerde Jury (De Classifier)

Meer zoals dit