SpikePID: Real-Time Neuromorphic Cluster Counting in Future Drift Chambers

In de uitgestrekte, hoogenergetische wereld van de deeltjesfysica bouwen wetenschappers massieve machines om atomen op elkaar te laten botsen, in de hoop de fundamentele bouwstenen van het universum te onthullen. Om de brokstukken van deze botsingen te begrijpen, vertrouwen ze op detectoren die fungeren als gigantische, driedimensionale camera's, die de paden van geladen deeltjes volgen terwijl ze door gasgevulde kamers vliegen. Een van de meest cruciale taken voor deze detectoren is het exact identificeren van het soort deeltje dat ze zien — bijvoorbeeld het onderscheiden van een zware kaon van een lichtere pion. Traditioneel is deze identificatie gebaseerd op het meten van hoeveel energie een deeltje verliest terwijl het door het gas ploegt. Echter, deze methode is enigszins vergelijkbaar met het proberen te raden van het gewicht van een auto door alleen naar de grootte van de bandensporen te kijken die het op een modderige weg achterlaat; de sporen zijn vaak rommelig en inconsistent, wat het moeilijk maakt om met zekerheid de identiteit van het voertuig vast te stellen. Een preciezere aanpak houdt in dat men de individuele, minuscule vonkjes ionisatie telt die het deeltje creëert terwijl het beweegt, een techniek die een veel duidelijker beeld geeft, maar een overweldigende hoeveelheid gegevens genereert.

De uitdaging bij deze nieuwe, preciezere telmethode is dat het vereist is om de signalen van de detector met een ongelooflijk hoge snelheid uit te lezen, waarbij duizenden datapunten elke nanoseconde worden vastgelegd. Als wetenschappers al deze ruwe informatie naar een computer zouden sturen voor analyse, zou de enorme hoeveelheid gegevens het systeem verstoppen, net zoals het proberen te persen van een brandslang door een tuinslang. Om dit op te lossen, hebben onderzoekers een manier nodig om deze vonkjes direct binnen de detector te tellen, precies daar waar de gegevens worden gegenereerd, voordat alleen het uiteindelijke aantal naar de buitenwereld wordt gestuurd. Hier kwam een team van onderzoekers van de Universiteit van Pennsylvania, onder leiding van Ho Fung Tsoi, met een innovatieve oplossing genaamd SpikePID. Ze wenden zich tot een type computing dat geïnspireerd is door het menselijk brein, bekend als neuromorfische computing, om een systeem te bouwen dat zowel ongelooflijk snel als verrassend klein is, in staat om deze complexe teltaak in realtime uit te voeren zonder de elektronica van de detector te overbelasten.

De onderzoekers concentreerden zich op een specifiek type hersen-geïnspireerde schakeling genaamd een spiking neural network (spiking neuraal netwerk). In tegen afhankelijk van standaard computerprogramma's die constant getallen verwerken, bootsen deze schakelingen de manier na waarop biologische neuronen werken: ze blijven rustig totdat ze genoeg signalen ontvangen om een enkele, discrete puls te "vuren". Deze gebeurtenisgestuurde aard betekent dat het systeem alleen energie verbruikt wanneer het daadwerkelijk iets doet, wat ideaal is voor de strikte vermogens- en ruimtebeperkingen van een deeltjesdetector. Het team trainde deze netwerken om naar de ruwe golfvormen van de detector te kijken en de primaire ionisatieclusters te tellen, wat de afzonderlijke groepen elektronen zijn die worden gecreëerd door het passerende deeltje. Ze testten hun aanpak tegen twee andere methoden: een traditionele wiskundige techniek die zoekt naar scherpe pieken in de gegevens, en een standaard machine learning-model bekend als een multilayer perceptron, wat een veelvoorkomend type kunstmatige intelligentie is die wordt gebruikt voor patroonherkenning.

De resultaten van hun werk waren opmerkelijk. Het spiking neural network, dat ze SpikePID noemden, slaagde erin om tussen kaonen en pionen te onderscheiden met een nauwkeurigheidsniveau dat 17 procent beter was dan de traditionele wiskundige methode. Nog indrukweder was dat het het standaard machine learning-model met 4 procent versloeg, ondanks het feit dat het veel minder interne instellingen had om aan te passen. Terwijl het standaard machine learning-model bijna 4.600 parameters nodig had om te functioneren, bereikte het spiking netwerk deze superieure prestatie met slechts 529 parameters. Deze drastische vermindering van complexiteit is cruciaal, omdat dit direct vertaalt naar hardware-efficiëntie. Wanneer de onderzoekers hun ontwerp vertaalden naar code voor een field-programmable gate array, een type herconfigureerbare computerchip die vaak in wetenschappelijke instrumenten wordt gebruikt, ontdekten ze dat het spiking netwerk ongeveer tien keer minder fysieke middelen gebruikte dan het standaard machine learning-model. Het nam een fractie van de geheugenruimte en de logische poorten van de chip in beslag, waardoor er voldoende ruimte overbleef voor andere taken.

Naast het feit dat het kleiner was, werd het spiking netwerk ook ontworpen om gegevens te verwerken zodra ze binnenkomen, in plaats van te wachten tot een hele batch informatie is opgehoopt. Bij de traditionele aanpak moet de computer wachten tot het volledige signaal van een deeltjestraject is opgenomen voordat hij kan beginnen met de analyse, wat een vertraging introduceert. Het spiking netwerk verwerkt echter elk klein stukje data op het moment dat het arriveert, waarbij de pulsen sequentieel worden afgevuurd. Deze streamingcapaciteit betekent dat het systeem het snelle tempo van de detector kan bijhouden zonder enorme hoeveelheden gegevens in tijdelijk geheugen te hoeven opslaan. De onderzoekers simuleerden de prestaties van hun systeem met behulp van gegevens die zijn gegenereerd om de omstandigheden van toekomstige deeltjesversnellers na te bootsen, zoals de voorgestelde Circular Electron Positron Collider. In deze simulaties identificeerde het spiking netwerk consequent het juiste aantal ionisatieclusters en behield het een hoog niveau van scheidingsvermogen tussen verschillende deeltjestypen over een breed scala aan snelheden.

De studie richtte zich ook op de praktische realiteiten van het bouwen van een dergelijk systeem. Hoewel de detector gegevens samplet met een snelheid van 1,5 miljard keer per seconde, werken de beschikbare computerchips van vandaag de dag typisch op een langzamer tempo van 200 miljoen cycli per seconde. De onderzoekers toonden aan dat hun ontwerp nog steeds effectief kan functioneren binnen deze beperkingen, ofwel door meerdere gegevenspunten in een enkele cyclus te verwerken, ofwel door parallelle kopieën van het systeem te gebruiken. Ze erkenden dat hoewel hun huidige resultaten gebaseerd zijn op simulaties, de weg vooruit duidelijk is. De volgende stappen omvatten het testen van deze modellen met echte gegevens van deeltjesbundels en het uiteindelijk implementeren ervan in daadwerkelijke digitale of analoge hardware. Door te bewijzen dat een klein, hersen-geïnspireerd algoritme een grotere, meer traditionele methode kan overtreffen terwijl het slechts een fractie van de middelen gebruikt, biedt dit werk een veelbelovend blauwdruk voor de volgende generatie deeltjesdetectoren. Het suggereert dat de toekomst van de hoogenergetische fysica niet alleen zal afhangen van het bouwen van grotere machines, maar van het bouwen van slimmere, efficiëntere manieren om te luisteren naar de fluisteringen van de subatomaire wereld.