Tracking performance study of the LHCb UP Detector

Resumo Técnico: Estudo de Desempenho de Rastreamento do Detector UP do LHCb

Definição do Problema
O experimento LHCb está se preparando para sua fase de Upgrade II, prevista para a década de 2030, que visa uma luminosidade instantânea de até $1,0 \times 10^{34} \text{ cm}^{-2}\text{s}^{-1}$. Este aumento na luminosidade resultará em ocupação de detector e taxas de dados significativamente maiores, impondo desafios severos para a reconstrução de trilhas, particularmente no que diz respeito ao reconhecimento de padrões em ambientes densos. Um componente crítico deste upgrade é a substituição do atual rastreador de tiras de silício Upstream Tracker (UT) por um novo detector de pixels de quatro planos, o Upstream Pixel Tracker (UP). Enquanto o UT, baseado em sensores de tiras unidimensionais, torna a reconstrução autônoma de trilhas impraticável, o uso de sensores de pixels monolíticos (MAPS) bidimensionais pelo UP oferece o potencial para uma reconstrução autônoma eficiente. O principal desafio abordado neste trabalho é o desenvolvimento de algoritmos capazes de reconstruir trilhas apenas com o detector UP com alta eficiência e baixas taxas de fantasmas (ghost rates), para servirem como entradas para a reconstrução global e para endereçar requisitos de processamento em tempo real sob condições de alta luminosidade.

Metodologia
O artigo descreve o design do detector UP e avalia duas abordagens distintas para a reconstrução autônoma de trilhas:

1. Design do Detector: O detector UP consiste em quatro planos de detecção localizados a montante do ímã. Cada plano cobre uma área ativa de aproximadamente $1400 \times 1200 \text{ mm}^2$ com uma abertura central para o tubo do feixe. O detector é construído a partir de suportes (staves) leves que sustentam módulos compostos por 14 chips MAPS dispostos em uma configuração de $7 \times 2$ em circuitos flexíveis. O tamanho do pixel é de $50 \times 150 \text{ \mu m}^2$, com um orçamento de material estimado de $1,2\% X_0$ por plano na faixa de $2 < \eta < 4,5$.

2. Algoritmo de Software (Seed-Forward com Otimização):

   • Os autores adaptaram uma estratégia "seed-forward" (semente-para-frente), semelhante à utilizada no detector VELO.
   • Processo: Sementes de acertos (hits) são selecionadas de uma camada de referência. Janelas de busca são abertas em camadas subsequentes para identificar pares de acertos compatíveis, que são então extrapolados para as camadas restantes.
   • Otimização: Para lidar com o problema de "trilhas fantasmas" (ghost tracks) causadas por sobreposição de módulos e acertos extras, uma "otimização de compartilhamento de acertos" foi implementada. Quando um acerto é compatível com múltiplos candidatos a trilha, ele é preferencialmente atribuído ao candidato com o maior número de acertos correspondentes.
   • Refinamento Iterativo: O tamanho da janela de busca é otimizado iterativamente para equilibrar a eficiência de reconstrução contra a supressão da taxa de fantasmas.

3. Algoritmo de Hardware (Baseado em FPGA - RETINA):

   • Para abordar a taxa de transferência de dados online projetada de 200 Tbit/s, os autores investigaram uma implementação baseada em FPGA usando o algoritmo RETINA, originalmente desenvolvido para o VELO.
   • Processo: O algoritmo utiliza uma transformação de Hough para mapear o problema de busca de trilhas em um espaço de parâmetros quadridimensional $(r_0, \phi_0, r_1, \phi_1)$ definido por dois planos de referência na entrada e na saída do detector.
   • Implementação: O espaço de parâmetros é discretizado em células (atualmente $150^4$ células, reduzidas para $\sim 6\text{M}$ células ativas via restrições de espaço de fase). Os acertos do detector incrementam as células correspondentes, e os candidatos a trilha são identificados como células contendo pelo menos três acertos. Uma regressão linear baseada em $\chi^2$ é então aplicada para refinar os candidatos.

Contribuições Principais e Resultados
O estudo apresenta métricas de desempenho para ambos os métodos de reconstrução baseadas em simulações de Monte Carlo:

• Desempenho do Algoritmo de Software:

  • O algoritmo seed-forward inicial alcançou uma eficiência global de 82,1% com uma taxa de fantasmas de 11,5%.
  • Após a aplicação da otimização de compartilhamento de acertos, a eficiência global melhorou para 91,4% (subindo para 97,7% para trilhas com momento $p > 5 \text{ GeV}/c$), enquanto a taxa de fantasmas foi reduzida para 3,9%.
  • Os autores observam que trilhas com $p > 1,5 \text{ GeV}/c$ geralmente seguem linhas retas, facilitando a abordagem seed-forward.

• Desempenho do FPGA/RETINA:

  • O algoritmo RETINA baseado em FPGA demonstrou um desempenho de rastreamento comparável ao da abordagem convencional seed-forward em termos de eficiência global.
  • Demonstrou uma melhoria perceptível na eficiência de reconstrução na região de baixo momento, atribuída à eficácia da estratégia de transformação de Hough no reconhecimento de padrões dentro do espaço de parâmetros da trilha.
  • No entanto, a implementação atual em FPGA exibiu uma taxa de fantasmos ligeiramente superior e uma eficiência menor na região de alto momento em comparação ao algoritmo de software otimizado. Os autores atribuem essa discrepância ao fato de que o algoritmo de software passou por uma otimização extensa (incluindo compartilhamento de acertos e reconstrução iterativa) que ainda não foi totalmente incorporada à implementação RETINA.

Significância e Alegações
O artigo afirma que o detector UP, combinado com estes algoritmos de reconstrução, oferece uma solução viável para os desafios do LHCb Upgrade II. Especificamente:

• Entradas de Alta Pureza: As trilhas autônomas otimizadas fornecem entradas de alta qualidade para a reconstrução global do LHCb, melhorando a associação entre segmentos de trilha upstream e downstream e aumentando a resolução de momento, particularmente para partículas de baixo $p_T$ e trilhas deslocadas de partículas de vida longa.
• Viabilidade em Tempo Real: A abordagem FPGA-RETINA demonstra o potencial para rastreamento de baixa latência e altamente paralelizado, o que é essencial para a reconstrução de eventos em tempo real e gatilhos (triggering) em ambientes de alta ocupação.
• Perspectiva Futura: Os resultados sugerem que o rastreamento autônomo do UP é um componente robusto para futuros sistemas de rastreamento em tempo real, fornecendo uma base para lidar com condições de luminosidade ainda mais altas, onde o rastreamento acelerado por hardware será crítico.

O trabalho não alega que a solução em FPGA é atualmente superior à solução de software em todas as métricas, mas sim que ela alcança um desempenho comparável com o benefício adicional da aceleração por hardware, com a expectativa de que otimizações futuras fechem as lacunas de desempenho remanescentes.