⚛️ high-energy experiments

Robustness of the \textit{smartpixels} classifier for different simulated sensor geometries and non-ideal detector conditions

本文证明了用于高粒度像素探测器中实时轨迹过滤的 \textit{smartpixels} 神经网络分类器在变化的传感器几何结构、磁场和噪声水平下均能保持稳健的性能，且由于辐射损伤导致的显著效率损失在很大程度上可以通过网络重训练得以恢复。

原作者： Danush Shekar, Ben Weiss, Morris Swartz, Corrinne Mills, Jennet Dickinson, Lindsey Gray, David Jiang, Mohammad Abrar Wadud, Daniel Abadjiev, Anthony Badea, Douglas Berry, Alec Cauper, Arghya Ranjan Da

发布于 2026-10-05

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Danush Shekar, Ben Weiss, Morris Swartz, Corrinne Mills, Jennet Dickinson, Lindsey Gray, David Jiang, Mohammad Abrar Wadud, Daniel Abadjiev, Anthony Badea, Douglas Berry, Alec Cauper, Arghya Ranjan Das, Karri Folan DiPetrillo, Farah Fahim, Rachel Kovach Fuentes, Abhijith Gandrakota, Giuseppe Di Guglielmo, Eliza Howard, Shiqi Kuang, Carissa Kumar, Mia Liu, Petar Maksimovic, Nick Manganelli, Mark S Neubauer, Aidan Nicholas, Emily Pan, Benjamin Parpillon, Jannicke Pearkes, Ricardo Silvestre, Chinar Syal, Amit Trivedi, Keith Ulmer, Jieun Yoo, Eric You

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在粒子物理学的核心领域，科学家们通过碰撞原子来理解宇宙的基本组成部分，而现在一个新的挑战已经出现。这些为这些碰撞设计的机器正变得如此强大，以至于它们产生的数据量超过了任何计算机能够实时处理的能力。想象一下，一台相机每秒钟拍摄数百万张照片；如果你试图保存每一张图像，你的硬盘会瞬间填满，而最有趣的时刻也会淹没在噪声之中。为了解决这个问题，物理学家正在构建更智能的探测器，使其能够在数据离开机器之前就能做出决策。这些被称为像素传感器（pixel sensors）的探测器就像是一组微小的电灯开关。当粒子穿过时，它会在这些开关上留下电信号轨迹，或者说一个“簇”（cluster）。目标是教会探测器识别出这种轨迹的形状，并立即决定哪些粒子重要到值得保留，哪些只是应该丢弃的背景杂讯。这个过程直接发生在传感器芯片上，被称为探测器端数据缩减（on-detector data reduction），对于探索物质最深层秘密的下一代实验来说至关重要。

一个研究团队致力于测试一种特定类型的人工智能——神经网络——在各种现实世界条件下执行这种过滤工作的表现如何。他们不仅仅是在一个完美的、理想化的真空传感器中进行测试；他们想知道他们的“智能像素”系统能否在粒子对撞机那混乱、恶劣的环境中生存下来。他们模拟了当传感器像素的物理尺寸发生变化时，系统的表现会如何；当传感器被放置在磁场作用不同的探测器不同部位时，系统的表现如何；以及当传感器在多年的辐射下受损时，系统的表现如何。他们还测试了系统如何处理电噪声，即电子电路中自然产生的静态干扰。他们的工作集中于一种特定的算法，该算法通过观察粒子轨迹的形状来推测其动量，或者说它横向运动的剧烈程度。如果轨迹短且直，粒子很可能移动缓慢，可以被忽略；如果轨迹长且弯曲，则说明粒子速度快且具有价值，系统会将其保留。

研究人员首先构建了一个传感器的数字模型，并训练人工智能来识别这些轨迹。他们使用七种不同的传感器设计对系统进行了测试，改变了像素之间的间距和传感器材料的厚度。他们发现传感器的形状起到了至关重要的作用。当像素间距变大时，系统很难观察到粒子轨迹的精细细节，其区分快速粒子与慢速粒子的能力也会下降。然而，他们发现了一个聪明的解决方法：增加传感器的厚度可以补偿较宽的间距。较厚的传感器允许粒子留下更长、更清晰的轨迹，这使得计算机即使在像素较大的情况下也能获得足够的信息来做出正确的决策。对于计划用于大型强子对撞机重大升级的特定传感器设计，该系统成功识别了约 92% 的快速粒子，同时丢弃了近 30% 的无用数据。这种平衡至关重要；这意味着系统在保留有价值的物理数据的同时，显著减少了需要发送给主计算机的信息量。

这项研究还观察了系统在探测器不同部分的表现。在中央筒状部分（central barrel section），磁场有助于弯曲粒子的路径，使它们的轨迹更容易辨识。在端盖部分（endcap sections），由于传感器的排列方向不同，磁场不再以同样的方式弯曲粒子，这增加了任务难度。研究人员发现，系统在这些端盖区域的效果确实较低，但仍然足够有效。他们还模拟了传感器在多年遭受辐射轰击时的情形，这一过程会损坏硅材料并改变电信号的传输方式。当他们使用针对新鲜传感器训练的原始计算机程序时，该系统在面对受损传感器时表现得非常糟糕，丢弃了有效数据并保留了错误数据。但关键的发现是：当他们仅仅使用来自受损传感器的数据对计算机程序进行重新训练时，系统几乎恢复了所有的性能。这证明了该系统并非脆弱不堪；它可以通过更新内部设置来适应硬件的老化。

最后，团队测试了系统对电噪声（即可能干扰电子信号的随机静态干扰）的抵御能力。他们发现，如果噪声水平很高，系统的性能会显著下降。然而，就像对待辐射损伤一样，他们发现通过在包含此类噪声的数据上重新训练系统，可以保持其准确性。即使在通常会毁掉标准探测器的噪声水平下，经过重新训练的系统仍能保持在接近原始性能的几个百分点以内。研究人员还检查了系统是否能处理一些损坏的像素（这在真实探测器中很常见），并发现该系统足够稳健，可以忽略这些损坏而不需进行特殊调整。这些结果表明，这项技术已经为现实世界做好了准备。该系统不是一个在条件变化时就会失效的一次性解决方案；它是一个灵活的工具，可以随着探测器的老化和环境的变化而不断更新。通过证明这种智能过滤在不同设计、磁场条件和损伤程度下的有效性，这项研究为构建下一代粒子探测器奠定了坚实的理论基础。这些智能传感器将使物理学家能够以空前的速率保持数据流动，确保无论发生多少次粒子碰撞，最有趣的粒子永远不会被遗失。

技术摘要：Smartpixels 分类器在不同模拟传感器几何结构与非理想探测器条件下的鲁棒性

问题陈述
下一代对撞机实验（如高亮度大型强子对撞机 HL-LHC）将面临前所未有的带电粒子密度，尤其是在相互作用点附近。这种高密度要求硅跟踪探测器必须具备极细的像素间距（pixel pitch），这反过来加剧了数据读取的带宽需求。“Smartpixels”项目旨在通过在探测器读取芯片（ASIC）上直接部署机器学习（ML）算法来实现实时数据减量，从而缓解这一问题。具体而言，其目标是根据电荷沉积簇（cluster）的几何形状来过滤掉低横动量（ $p_T$ ）轨迹，以免将其传输至探测器外部。虽然之前的研究已经证实了该方法在单一基准传感器几何结构下的可行性，但仍存在一个关键空白，即如何理解分类器的性能如何取决于变化的传感器设计、运行条件以及非理想的探测器状态（如辐射损伤和噪声）。如果不了解这一点，该系统在不同探测器区域（如筒状区与端盖区）的部署以及在探测器整个寿命周期内的应用将具有不确定性。

方法论
作者利用 PixelAV 模拟框架生成了用于训练和验证神经网络（NN）分类器的数据集。该模拟包含了详细的硅探测器模型，考虑了漂移、扩散、霍尔效应以及辐射诱导的电荷俘获。

数据集： 创建了两个主要数据集：一个“平坦- $p_T$ ”数据集（从 0.03 到 5 GeV 的均匀分布），用于训练以避免动量偏差；以及一个“物理- $p_T$ ”数据集（典型的 13 TeV $pp$ 碰撞衰减分布），用于评估。
传感器配置： 研究了七种不同的传感器几何结构，其变量包括像素间距（沿 $x$ 和 $y$ 方向）和传感器厚度。这些结构包括基准的 $50 \times 12.5 \times 100$ $\mu m^3$ 、CMS 第二阶段升级几何结构（ $100 \times 25 \times 100$ $\mu m^3$ ）以及一种更厚的变体（ $100 \times 25 \times 150$ $\mu m^3$ ）。
非理想条件： 模拟涵盖了：
- 几何结构： 筒状区（磁场垂直于传感器）和端盖区（磁场平行于传感器，消除了洛伦兹漂移）。
- 辐照： 模拟了对应于 0、370 和 1100 $fb^{-1}$ 累积亮度的辐照后的传感器。
- 噪声： 根据 Cadence Virtuoso/Spectre ASIC 模拟得出的等效噪声电荷（ENC）计算结果，在电荷收集模拟中注入了高斯噪声。
算法： 采用神经网络分类器，输入为“簇 $y$ 轮廓”（投影在 $y$ 轴上的积分电荷）和入射方位角位置（ $y_0$ ）。网络输出三个类别的概率：高 $p_T$ 轨迹，以及两类低 $p_T$ 类别（区分向相反方向弯曲的相反电荷轨迹）。网络架构包含一个全连接隐藏层（128 个神经元）和一个输出层（3 个神经元）。

核心贡献
本文首次系统地研究了 Smartpixels 分类器在广泛的设计参数和运行条件下的鲁棒性。主要贡献包括：

几何依赖性： 量化了像素间距和传感器厚度如何影响 $p_T$ 判别能力。
区域比较： 评估了筒状区与端盖区的性能差异，特别是隔离了洛伦兹漂移的影响。
抗辐射性： 证明了固定权重分类器在辐照下的性能退化，并证明可以通过重新训练来恢复性能。
噪声韧性： 评估了电子噪声和缺陷像素的影响，表明通过在注入噪声的数据集上进行重训练可以恢复性能。

结果

传感器几何结构： 在弯曲方向（ $y$ 方向）较小的像素间距和增加的传感器厚度可以提高 $p_T$ 判别能力，因为它们提供了更清晰的簇特征。增加 $y$ 方向间距会降低性能，但这种损失可以通过增加传感器厚度得到部分补偿。对于 CMS HL-LHC 传感器几何结构（ $100 \times 25 \times 100$ $\mu m^3$ ），分类器实现了 $(91.9 \pm 0.7)\%$ 的信号效率和 $(29.7 \pm 1.0)\%$ 的数据减量。较厚的变体（ $100 \times 25 \times 150$ $\mu m^3$ ）补偿了部分因较大像素间距导致的性能损失，但表现仍不及 $50 \times 12.5 \times 100$ $\mu m^3$ 基准。
洛伦兹漂移： 缺乏洛伦兹漂移（在端盖区或 3D 传感器中）会降低性能。在 0.2 GeV 的 $p_T$ 边界处，端盖传感器表现出比筒状传感器更低的性能。然而，移除洛伦兹漂移（通过在筒状像素中将磁场设为零进行模拟）对所有指标造成的绝对性能下降小于 6%。
辐照： 累积的辐射损伤会显著改变簇的形状，如果不对网络权重进行更新，会导致信号效率较基准降低约 30–60%。然而，通过在辐照数据上进行重训练并更新 ASIC 权重，可以几乎完全恢复性能，即使在 1100 $fb^{-1}$ 时，信号效率和数据减量也分别保持在原始值的 7% 和 2% 范围内。
噪声： 增加噪声水平（最高达 100 个电子）会导致基于无噪声数据训练的网络性能大幅下降。然而，通过在注入噪声的数据集上进行重训练，可以将性能维持在基准值的 6% 以内。该网络还展示了对缺陷像素（小于 1% 的发生率）的鲁棒性，即使不进行重训练，性能也保持在标称情况的 1% 以内。

意义与展望
论文得出结论，虽然非理想条件（噪声、辐射、几何变化）会严重降低静态分类器的性能，但通过在 ASIC 中使用可编程逻辑，Smartpixels 方法仍然是可行的。通过定期重训练网络并更新权重，该系统可以适应传感器老化和不断变化的运行条件。

作者指出，这些发现为旨在实现智能传感器数据减量的未来探测器设计提供了参考。他们强调，若要作为触发系统的第一层使用，至少需要两层 smartpixels。目前的工作侧重于最内层，该层具有最严格的带宽要求。未来的工作将扩展到位移轨迹（与长寿命粒子相关）、多层跟踪系统，以及将 Smartpixels ASIC 与像素传感器进行混合以进行束流测试演示。研究结果表明，这项技术可以在保持高物理性能的同时减少数据吞吐量，这是下一代对撞机实验取得成功的必要条件。

类似论文