Real-Time Wiener Deconvolution for feature reconstruction in JUNO

Este artigo apresenta um algoritmo avançado de deconvolução de Wiener em tempo real, implementado em FPGAs no Observatório de Neutrinos de Jiangmen (JUNO), para reconstruir sinais de fotomultiplicadores e melhorar a detecção de deposições de baixa energia, superando limitações de armazenamento e ruído de fundo.

O essencial

Imagine que você está tentando ouvir uma conversa muito específica em um estádio de futebol lotado e barulhento. O estádio é o JUNO, um enorme detector de neutrinos (partículas fantasma que quase não interagem com a matéria) escondido sob a terra. Os "aplausos" e "gritos" que você quer ouvir são os sinais de luz gerados quando um neutrino bate em algo dentro do detector.

O problema é que o estádio é enorme (tem milhares de microfones, chamados PMTs) e o barulho de fundo (ruído eletrônico e radiação natural) é ensurdecedor. Além disso, os microfones não são perfeitos: quando alguém grita, o microfone distorce um pouco o som, fazendo com que um grito curto pareça um grito longo e arrastado. Se dois gritos acontecem muito rápido, um atrás do outro, o microfone os mistura, e você ouve apenas um grito grande e confuso, em vez de dois.

Aqui entra a ciência e a solução deste artigo:

O Problema: O "Grito" Confuso

No detector JUNO, quando uma partícula de luz chega, ela gera um sinal elétrico. O sistema atual (chamado COTI) funciona como um guarda que só anota o que ouve se o volume passar de um certo ponto.

• Se dois gritos (partículas de luz) chegam muito perto um do outro, o guarda não consegue separá-los. Ele anota: "Ouviu um grito gigante".
• Isso é ruim para a física, porque você perde a informação de que eram dois eventos distintos e calcula mal a energia total.

A Solução: O "DJ" Inteligente (Wiener Deconvolution)

Os cientistas criaram um novo algoritmo chamado Desconvolução de Wiener em Tempo Real. Pense nele como um DJ superinteligente que está no local do evento, ouvindo os microfones em tempo real.

1. O DJ conhece o microfone: Antes de começar, o DJ aprendeu exatamente como cada microfone do estádio distorce o som (o "template" ou modelo). Ele sabe que, se o microfone faz um som "brrr" quando deveria ser um "tch", ele sabe como inverter isso.
2. O DJ conhece o barulho: Ele também sabe exatamente como é o som do vento e da multidão (o ruído de fundo).
3. A Mágica (Desconvolução): Quando o DJ ouve o sinal, ele usa uma "fórmula mágica" (o Filtro de Wiener) para:
   • Remover o ruído: Silenciar o vento e a multidão, deixando apenas a voz limpa.
   • Corrigir a distorção: Se o microfone esticou o som, o DJ o "encolhe" de volta ao tamanho original.
   • Separar os gritos: Se dois gritos estavam misturados, o DJ consegue separá-los, dizendo: "Ah, aquele foi o primeiro grito, e aquele foi o segundo, que chegou 0,000001 segundos depois".

Onde isso acontece? (O Cérebro no Local)

O mais impressionante é que esse DJ não está em um computador gigante em outro país. Ele está dentro do próprio microfone (na placa de leitura, um chip chamado FPGA).

• Por que isso é importante? Se o DJ tivesse que enviar todo o áudio bruto (com todo o barulho) para um computador central para processar, o estádio ficaria sobrecarregado e o sistema travaria.
• A vantagem: O DJ processa o som na hora, decide o que é importante e envia apenas o resumo ("Houve dois gritos, com esta energia, neste momento"). Isso economiza uma quantidade absurda de espaço e tempo.

O Resultado: Ouvindo o Inaudível

Com essa nova técnica:

• Precisão: O sistema consegue distinguir dois "gritos" (partículas de luz) que chegam muito juntos, algo que o método antigo não conseguia fazer.
• Eventos Raros: Isso é crucial para detectar eventos muito fracos, como a luz de uma supernova (uma estrela explodindo) ou neutrinos solares, que seriam perdidos no meio do "barulho" se não fossem limpos e separados corretamente.
• Eficiência: O chip consegue fazer tudo isso em nanossegundos, sem atrasar o detector.

Em resumo

Imagine que você tem uma foto de um rosto borrada e cheia de granulação (ruído). O método antigo tentava apenas "cortar" as partes escuras. O novo método (Wiener Deconvolution) é como usar um software de IA que sabe exatamente como a lente da câmera distorce a imagem e como o filme ficou granulado. Ele "desfaz" a distorção e limpa a granulação, revelando o rosto com clareza perfeita, mesmo que a foto original estivesse quase ilegível.

Para o experimento JUNO, isso significa que eles podem "ver" o universo com muito mais clareza, ouvindo os sussurros mais fracos das estrelas e partículas que antes eram apenas ruído de fundo.

Resumo técnico

Título: Deconvolução de Wiener em Tempo Real para Reconstrução de Características no JUNO

1. O Problema

Experimentos de física de partículas de alta intensidade, como o Observatório Subterrâneo de Neutrinos de Jiangmen (JUNO), geram volumes massivos de dados que desafiam os limites de armazenamento e largura de banda dos sistemas de aquisição de dados (DAQ).

• Desafio Específico: O JUNO utiliza 17.612 tubos fotomultiplicadores (PMTs) grandes (LPMTs). O sistema atual utiliza o algoritmo COTI (Continuous Over Threshold Integration) para reconstruir pares Tempo-Carga (TQ) em tempo real.
• Limitação do COTI: O COTI identifica um "hit" (sinal) apenas quando a onda ultrapassa um limiar e integra a carga enquanto permanece acima dele. Se dois fotoelétrons (PEs) chegarem muito próximos no tempo (dentro da largura do pulso de um único PE, ~40 ns), o COTI não consegue distinguir os dois picos, fundindo-os em um único evento. Isso degrada a resolução de energia e a contagem de fotoelétrons, especialmente em eventos de baixa energia ou com alta taxa de fundo.
• Restrição de Hardware: A transmissão de todas as formas de onda completas (WFs) para o DAQ é inviável devido à largura de banda. O processamento deve ocorrer nos FPGAs das placas de leitura, que possuem recursos computacionais limitados e exigem baixa latência.

2. Metodologia

O artigo propõe uma nova abordagem chamada Deconvolução de Wiener em Tempo Real (RTWD), implementada inteiramente no FPGA da placa de controle global (GCU) do JUNO. A metodologia baseia-se em quatro etapas principais:

1. Estimativa do Template de Fotoelétron Único (SPE): Caracterização da resposta impulsiva média do sistema (PMT + eletrônica) para criar um modelo de referência.
2. Caracterização do Ruído: Análise da Densidade Espectral de Potência (PSD) do ruído eletrônico e ambiental.
3. Projeto de Filtros FIR (Resposta ao Impulso Finita):
   • Filtro de Wiener: Projetado para maximizar a Relação Sinal-Ruído (SNR) e suavizar o sinal.
   • Filtro de Deconvolução: Projetado para inverter a resposta do sistema (PMT), transformando o pulso alargado em um pico agudo (diferenciador), facilitando a detecção de picos individuais.
   • Ambos são implementados como filtros FIR de baixa ordem (11 e 7 taps, respectivamente) para garantir baixa latência e baixo consumo de recursos no FPGA.
4. Pipeline de Processamento em FPGA:
   • Rastreamento de Linha de Base: Ajuste dinâmico da base do sinal para compensar deriva e offsets.
   • Verificação de Limiar: Identificação de candidatos a hits.
   • Aplicação de Filtros: Filtragem em tempo real dos dados brutos.
   • Detecção de Picos: Identificação precisa da amplitude (carga) e do tempo (tempo de chegada) dos picos na forma de onda deconvolvida.

3. Principais Contribuições

• Algoritmo RTWD: Desenvolvimento e implementação bem-sucedida de um algoritmo de deconvolução de Wiener em tempo real dentro de um FPGA (Xilinx Kintex-7), otimizado para recursos limitados.
• Superação da Limitação de Pile-up: A capacidade de distinguir múltiplos fotoelétrons que chegam em intervalos de tempo muito curtos (inferiores à largura do pulso original), algo que o algoritmo COTI não consegue fazer.
• Arquitetura de Hardware Eficiente: Demonstração de que é possível realizar processamento de sinal avançado (deconvolução) sem comprometer a aquisição de dados, utilizando filtros FIR de curta duração.
• Calibração de Viés: Identificação e correção de um viés negativo de ~5% na carga reconstruída e de um efeito de "undershoot" (subestimação de carga em segundos picos próximos), através de curvas de calibração derivadas do template deconvolvido.

4. Resultados

Os testes foram realizados utilizando um emulador de detector (CAEN DT5810) conectado à placa GCU do JUNO, comparando o RTWD com o COTI e com uma deconvolução offline (executada em CPU como referência ideal).

• Identificação de Picos:
  • Para dois picos separados por 0,5 a 0,7 vezes a largura do pulso, o COTI falha em 98-99% dos casos, fundindo-os em um único hit.
  • O RTWD mantém uma taxa de reconstrução correta de mais de 98% mesmo para separações de 0,5, desempenho comparável à deconvolução offline.
• Precisão de Carga:
  • O RTWD, após calibração, recupera a carga total com alta precisão, enquanto o COTI tende a subestimar a carga em eventos com picos próximos devido à fusão.
  • A métrica "Carga por Hit" ($Q/N_{hit}$) do RTWD permanece próxima de 1,0 (ideal) para todas as separações temporais, enquanto o COTI salta para valores próximos de 2,0 (indicando que dois hits foram contados como um).
• Recursos de Hardware: A implementação consome 74,28% dos blocos DSP disponíveis no FPGA, o que é o principal gargalo, mas ainda deixa recursos suficientes para outras funções do sistema.

5. Significância

Este trabalho demonstra um avanço crucial para a física de neutrinos e experimentos baseados em PMTs:

• Melhoria na Resolução de Energia: Ao contar corretamente o número de fotoelétrons em eventos de baixa energia (onde o ruído de fundo é alto e os picos são densos), a resolução de energia do detector JUNO será significativamente melhorada.
• Viabilidade de Processamento em Tempo Real: Prova que técnicas complexas de processamento de sinal, anteriormente restritas a análises offline, podem ser executadas em tempo real em FPGAs, permitindo a compressão eficiente de dados sem perda de informação física crítica.
• Aplicabilidade Geral: Embora focado no JUNO, o algoritmo é aplicável a qualquer detector com PMTs e eletrônica baseada em FPGA, oferecendo uma solução robusta para a reconstrução de sinais em ambientes de alta taxa de contagem.

Em resumo, a Deconvolução de Wiener em Tempo Real oferece uma solução elegante e eficiente para o problema de pile-up de fotoelétrons, permitindo que o JUNO explore com maior precisão fenômenos astrofísicos transientes e interações de neutrinos de baixa energia.