Commissioning and Low Latency Operation of the Graph Neural Network Electromagnetic Calorimeter Trigger at the Belle II Experiment

Stel je het Belle II-experiment voor als een razendsnelle deeltjesracebaan waar piepkleine, onzichtbare racers (deeltjes) rondrazen met bijna de snelheid van het licht en miljarden keren per seconde op elkaar botsen. Elke keer dat ze botsen, laten ze een chaotische spray van energie achter, zoals glitters die in een donkere kamer exploderen. De wetenschappers moeten de meest interessante explosies vangen, maar er is een probleem: er zijn te veel botsingen om ze allemaal op te slaan. De opslag van de gegevens zou sneller vol raken dan je "supercomputer" kunt zeggen.

Om dit op te lossen, gebruikt het experiment een super-snelle beveiligersinstallatie genaamd een "trigger". Deze bewaker moet naar elke botsing kijken, in een fractie van een seconde beslissen of het de moeite waard is om op te slaan, en "JA!" of "NEE!" roepen voordat de volgende botsing plaatsvindt. Als de bewaker te langzaam is, moet de hele racebaan stoppen.

Lange tijd gebruikte de bewaker voor het "Electromagnetic Calorimeter" (het deel van de detector dat energiebuien opvangt) een zeer traditionele, op regels gebaseerde methode genaamd de ICN-ETM. Het was betrouwbaar, maar het was een beetje alsof een bewaker een eenvoudige checklist gebruikte. Onlangs probeerden wetenschappers een nieuwe, slimmere bewaker met behulp van Graph Neural Networks (GNNs)—een type kunstmatige intelligentie dat erg goed is in het herkennen van patronen in rommelige gegevens. Ze bouwden een prototype genaamd de GNN-ETM.

Het Grote Probleem:
De oorspronkelijke AI-bewaker was te traag. Het duurde 3,168 microseconden (dat is 3.168 nanoseconden) om een beslissing te nemen. De regels van de racebaan zeiden dat de bewaker in 1,067 microseconden of minder moet beslissen. Als de AI langer duurde, kon hij niet daadwerkelijk worden gebruikt om de datastroom te stoppen; hij kon alleen maar kijken en aantekeningen maken. Het was alsof je een briljante detective had die misdaden perfect oplost, maar een week nodig heeft om het rapport te schrijven—te laat om de crimineel te vangen.

De Oplossing: De AI Versnellen
Het team in dit paper heeft niet alleen een snellere computer gebouwd; ze hebben de hersenen van de AI en het huis waarin deze leeft volledig herontworpen om hem razendsnel te maken. Ze deden drie belangrijke dingen:

1. Het Brein Verkleinen (Modelcompressie): Ze vereenvoudigden het "brein" van de AI door een laag complexiteit te verwijderen en de AI te leren om kleinere, eenvoudigere getallen te gebruiken (zoals overstappen van high-definition foto's naar snelle schetsen) zonder het vermogen te verliezen om de belangrijke botsingen te herkennen.
2. Het Meubilair Verplaatsen (Floorplanning): De computerchip (FPGA) die ze gebruikten, is als een enorme stad verdeeld in drie districten. Het oorspronkelijke ontwerp zorgde ervoor dat de gedachten van de AI heen en weer reisden tussen deze districten, wat voor files zorgde. Het team heeft de componenten van de AI handmatig opnieuw gerangschikt zodat alles in één district bleef, wat de reistijd verkortte.
3. De Gereedschappen Veranderen (DSP Mapping): Ze stopten met het gebruik van de zware "harde" wiskundige tools van de chip, omdat deze in deze specifieke opstelling juist vertragingen veroorzaakten. In plaats daarvan gebruikten ze de standaard logica van de chip, wat voor deze specifieke taak sneller bleek te zijn.

Het Resultaat:
Na deze wijzigingen maakte de nieuwe AI-bewaker, nu de Sunset CaloClusterNet genoemd, een beslissing in slechts 1,053 microseconden. Dit is een enorme verbetering, waarbij de tijd met een factor van 3,01 is verkort.

Werkt het?
Het team heeft het niet alleen geraden; ze hebben het rigoureus getest.

• Simulaties: Ze draaiden perfecte, cyclus-voor-cyclus computer-simulaties die lieten zien dat het nieuwe ontwerp exact overeenkwam met de oude, vertrouwde offline modellen (bit-voor-bit nauwkeurigheid).
• Testen in de echte wereld: Ze installeerden het systeem in het eigenlijke Belle II-experiment in december 2025. Ze maten de snelheid in realtime tijdens "beam runs" (wanneer deeltjes botsen) en "cosmic runs" (wanneer de machine uit staat, maar natuurlijke kosmische deeltjes de detector raken).

De metingen bevestigden dat het systeem snel genoeg is om aan de deadline van 1,067 microseconde te voldoen. In feite hadden ze met een specifieke setup een veiligheidsmarge van 160 nanoseconden. Zonder die specifieke setup was de marge slechts 14 nanoseconden, maar het slaagde er nog steeds in.

Wat doet het nu?
De nieuwe AI-bewaker is nu volledig operationeel met zijn hardwareverbindingen tot stand gebracht met de centrale controlekamer (de Global Decision Logic), waar hij zijn "trigger bits" (de ja/nee-vlaggen) verzendt voor monitoring. Echter, in deze specifieieke commissiefase wordt het systeem nog niet gebruikt om de uiteindelijke actieve triggerbeslissingen te nemen die de datastroom stoppen. In plaats daarvan draait het parallel aan de bestaande bewaker, waardoor wetenschappers de prestaties kunnen vergelijken en de betrouwbaarheid in echte omstandigheden kunnen valideren. Het team heeft ook een dashboard gebouwd waarmee ze de prestaties van de AI in realtime kunnen volgen, waarbij ze tellen hoeveel "ja"-beslissingen de AI elke seconde maakt.

Toen ze de nieuwe AI-bewaker vergeleken met de oude regelgebaseerde bewaker:

• In rustige tijden (cosmic runs) vonden ze bijna hetzelfde aantal interessante gebeurtenissen.
• In drukke tijden (beam runs) vond de AI-bewaker soms meer clusters omdat hij beter is in het splitsen van rommelige energiebuien, maar toen ze een speciale "signaalclassifier" (een filter om achtergrondruis te negeren) toevoegden, werd de AI-bewaker zelfs selectiever dan de oude bewaker, waardoor het aantal "ja"-beslissingen met ongeveer 100 Hz afnam tijdens rustige runs en aanzienlijk meer tijdens drukke runs.

De Kern van het Verhaal:
Dit paper bewijst dat een Graph Neural Network in een super-snelle, real-time trigger van een deeltjesversneller kan worden geperst. Ze hebben een trage, offline-achtige AI omgetoverd tot een live, lage-latentie bewaker die binnen de strikte deadline van 1,067 microseconde past. Het systeem draait nu, monitort zijn eigen prestaties en is klaar om wetenschappers te helpen beslissen welke deeltjesbotsingen de moeite waard zijn om te bewaren voor toekomstig onderzoek, wat de weg vrijmaakt om uiteindelijk een actieve rol te spelen in de triggerbeslissing.