⚛️ nuclear experiments

Characterization of a 28 nm $\textit{smartpixels}$ ASIC With On-Chip ML for Particle Tracking Detectors

本文介绍了用于粒子追踪探测器的 28 nm CMOS ASIC 的特性表征，该 ASIC 集成了像素内模拟信号处理和片上神经网络分类器，以实现低噪声、高线性度以及有效的数据缩减，且硬件测量与离线预测之间的符合度达到 99.06%。

原作者： Benjamin Parpillon, Anthony Badea, Danush Shekar, Cristian Gingu, Giuseppe Di Guglielmo, Tom Deline, Sergey Los, Adam Quinn, Michele Ronchi, Daniel Abadjiev, Doug Berry, Arghya Ranjan Das, Jennet Dick

发布于 2026-08-18

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Benjamin Parpillon, Anthony Badea, Danush Shekar, Cristian Gingu, Giuseppe Di Guglielmo, Tom Deline, Sergey Los, Adam Quinn, Michele Ronchi, Daniel Abadjiev, Doug Berry, Arghya Ranjan Das, Jennet Dickinson, Karri DiPetrillo, Farah Fahim, Lindsey Gray, Harshul Gupta, Eliza Howard, David Jiang, Pamela Klabbers, Mira Littmann, Mia Liu, Petar Maksimovic, Nick Manganelli, Corrinne Mills, Mark S. Neubauer, Jannicke Pearkes, Paul Rubinov, Ricardo Silvestre, Morris Swartz, Chinar Syal, Nhan Tran, Amit Trivedi, Keith Ulmer, Mohammad Abrar Wadud, Benjamin Weiss, 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

在现代物理学的核心领域，科学家们正在建造能够将粒子以接近光速的速度撞击在一起的机器，希望能揭示支配我们宇宙的基本规则。这些碰撞每秒钟发生数十亿次，产生了一场由亚原子碎片组成的混沌风暴，必须对其进行捕捉和分析。为了实现这一目标，研究人员使用由硅制成的探测器，这种探测器类似于智能手机中的芯片，但灵敏度要高得多。这些探测器就像是由无数微小的眼睛组成的网格，每一只眼睛都在注视着粒子经过时产生的能量闪烁。然而，这些碰撞产生的海量数据正变得难以管理。如果每一次闪烁都发送到计算机进行分析，通信线路将会堵塞，而最重要的信号也会淹没在噪声之中。挑战不仅在于如何看到粒子，还在于如何在数据离开探测器之前，瞬间决定哪些粒子值得保留，哪些仅仅是背景静电。

为了解决这个问题，一个研究小组制造了一种新型计算机芯片，它可以在检测点直接进行自主思考。这种被称为“智能像素”的芯片，其设计初衷不仅是感知粒子的经过，还能分析其留下的能量形状，并对是否保留该数据做出瞬时的决定。研究人员使用一种非常先进的制造工艺制造了一个原型，将电子元件缩小到了28纳米，这大约是人类头发宽度的千分之一。在这块微小的芯片上，他们排列了两个大型微型传感器网格，每个网格包含数百个独立的像素。每一个像素都是一个自给自足的实验室，配备了专用的放大器来增强来自经过粒子的微弱信号，并配备了一个数字转换器将该信号转换为一个数字。

这种芯片真正独特之处在于，它不仅仅是记录原始数据，而是立即对其进行处理。在传统的探测器中，芯片只是计算沉积了多少能量并将该数值发送出去。而在这种情况下，芯片获取原始信号，将其转换为几个数字比特，然后将这些比特输入到一个内置的小型“大脑”——神经网络中。这个神经网络是一种被教导过识别模式的人工智能。它观察粒子留下的能量簇，并判断该粒子很可能具有科学研究价值，还是仅仅是随机噪声。通过在芯片内部做出这种决定，系统可以在数据离开探测器之前就丢弃绝大部分无用数据，从而为真正重要的事件释放带宽。

研究人员通过使用精确的电脉冲模拟粒子的到达，对这款芯片进行了测试。他们想看看该芯片能否处理未来实验所需的噪声水平和速度，特别是针对即将升级以产生比以往更多碰撞的高亮度大型强子对撞机（HL-LHC）的实验。测试表明，该芯片的表现非常出色。当他们测量传感器的噪声水平时，发现其极低，这使得芯片能够在不被静电干扰的情况下检测到非常微弱的信号。芯片内部的数字大脑被证明极其可靠，其准确度超过99%，与计算机模拟的预测高度吻历。这意味着该芯片做出的决策与功能强大的计算机所做的决策一致，但它仅需极短的时间和极少的能量即可完成。

该设计的最令人印象深刻之处之一在于其高效的能源利用方式。芯片在每秒1000万次的循环速度下进行了测试，即使增加了运行神经网络的任务，其耗电量依然非常低。研究人员计算出，如果芯片以4000万次/秒的全速运行（这是未来探测器的目标速度），总功耗仍将保持在这些大规模实验所要求的严格限制之内。这一点至关重要，因为探测器排列得非常紧密，无法承受过热或消耗过多电量。该芯片还展示了其能够处理不同类型的电信号，证明了该设计足以适应各种环境条件。

然而，研究人员谨慎地指出，这只是该芯片的第一版，像任何原型一样，它也存在一些缺陷。他们发现，芯片的校准方式导致在测量粒子能量时出现了一些细微误差，尤其是在许多像素同时处于活跃状态时。他们还发现，通过一些设计上的微调，可以提高芯片区分极低能级信号的能力。这些并不是智能芯片理念本身的根本性缺陷，而是新技术成长过程中的阵痛。团队已经概述了他们将在下一版本中如何解决这些问题，例如通过为每个像素分配专门的校准线以避免干扰。

这个原型的成功标志着构建更智能探测器的探索迈出了重要一步。它证明了将复杂的决策工具直接置于观察宇宙的硅传感器之上的可行性。通过在源头过滤掉噪声，这些芯片可以让科学家看得更深，捕捉到那些原本会被埋没在数据海洋中的稀有且转瞬即逝的事件。这里呈现的工作不仅展示了这项技术是行得通的，更展示了它具备了下一代发现所需的精度和效率。随着团队向构建最终版本迈进，他们有信心优化设计，以应对未来粒子加速器的极端条件，确保来自宇宙边缘的最重要信号永远不会丢失。

技术摘要：具有片上机器学习功能的 28 nm Smartpixels ASIC 在粒子追踪探测器中的表征

问题陈述
现代硅像素探测器在面向高亮度大型强子对撞机（HL-LHC）时面临前所未有的粒子占用率，产生的数据速率超过了离检测器传输的带宽。虽然传感器技术在进步，但数据量也给读出架构、功耗和触发系统带来了越来越大的压力。传统的读出 ASIC 执行有限的局部处理（放大、判别、零抑制），但将所有存留的命中（hits）同等对待，未能利用电荷簇内的丰富空间信息来区分信号与背景。因此，很大一部分传输的数据对物理分析贡献极小，却消耗了宝贵的带宽。挑战在于如何在保持重建所需的物理信息的同时，在采集点降低数据量，特别是通过将先进的处理功能向传感器端移动。

方法论
作者展示了一种 25×25 µm² 间距的 28 nm CMOS 像素读出集成电路（ASIC）的设计及其首片硅片表征，该电路集成了像素内模拟信号处理与片上机器学习（ML）数据过滤功能。该器件被称为“smartpixels”，包含两个 32×8 像素矩阵（超像素）。

模拟前端 (AFE)： 每个像素集成了一个具有同步自动归零偏移消除功能的电荷敏感放大器 (CSA) 和一个 2 位闪速模数转换器 (ADC)。该架构采用束同步数字化（bunch-synchronous digitization），即所有像素使用共同的时间参考（束穿越时钟）进行采样，从而保留空间电荷分布和时间相关性。实验制造并对比了两种 AFE 变体：差分架构 (SP1) 和单端架构 (SP2)。
数字处理： 数字化后的像素数据被组合成行投影（16 条 6 位值的总线），并由一个全组合逻辑神经网络 (NN) 分类器进行处理。该神经网络旨在根据入射带电粒子的横向动量 ( $p_T$ ) 对电荷簇进行分类。使用组合逻辑最小化了推理延迟（在单个束穿越周期内完成），并降低了动态功耗，因为仅在输入模式发生变化时才会消耗功率。
测试设置： 该 ASIC 使用可编程片上电容通过电荷注入法进行表征，模拟传感器信号而不使用物理传感器进行凸点键合（bump-bonding）。测量是在室温下进行的，使用 10 MHz 束穿越时钟（受限于测试板带宽），以及基于 Caribou 和 Spacely 框架的 DAQ 系统。

主要贡献与结果
本文对从模拟放大到数字分类的混合信号信号链进行了全面的表征：

模拟性能：
- 噪声与增益： 在最佳偏置电流（SP1 差分变体的 3.15 µA/pixel）下，ASIC 实现的等效噪声电荷 (ENC) 为 54.6 $e^-$ ，转换增益约为 57.7 µV/ $e^-$ 。这些数值与未连接传感器的前端电路仿真值高度吻合。
- 线性度与动态范围： 系统在数千电子 ( $ke^-$ $) 量级内表现出线性响应。在低阈值（<400$ e^- $）处观察到非线性，这是由于比较器采样开关产生的电荷注入引起的，并在约 8000$ e^-$ 以上出现饱和。
- 阈值弥散： 测得的阈值弥散约为 78.2 $e^-$ 。作者将超过仿真失配限制（~45 $e^-$ ）的部分归因于实现特定的问题，包括 SP2 阈值接口中的有限直流输入电流影响了共享偏置网络，以及在同时进行电荷注入时的分布式 RC 负载。
- 功耗： 在 10 MHz 下，AFE 的功耗约为 2.8 µW/pixel。
数字与神经网络性能：
- 功耗： 在代表 HL-LHC 占用率的簇速率下，片上 NN 逻辑的平均功耗为 0.76 µW/pixel，这与组合逻辑的稀疏开关活动一致。
- RTL 与硅片一致性： 通过 1.5 × 10⁵ 个测试输入，将片上 NN 输出与离线 RTL 仿真进行了对比。对于 ~1000 $e^-$ 及以上的判别器阈值，一致性达到了 99.06%，证实了数字逻辑的确定性运行。在 1000 $e^-$ 下的混淆矩阵显示出强烈的对角线对齐，表明实现了位准确（bit-accurate）的分类。
识别出的局限性：
- 原型使用了共享全局注入线，这导致了聚合电容负载并扭曲了脉冲形状，人为地增加了 ENC 和阈值弥散的测量值。
- SP2 单端变体由于降低了共模抑制比以及特定的直流负载问题，表现出更高的阈值弥散。
- 测量受限于 10 MHz；在标称的 40 MHz 下运行需要进一步验证偏置电流和建立时间。

意义与展望
论文声称，这项工作确立了实现一种能够通过片上神经网络进行实时数据缩减的全集成混合信号像素读出架构的可行性。原型成功演示了端到端的运行，验证了模拟前端的固有噪声性能以及数字分类器的确定性行为。

作者强调，尽管目前的结果令人鼓舞，但它们代表的是一个具有特定实现限制的首片硅片原型。测得的性能验证了底层架构，但也凸显了需要通过设计迭代来解决校准网络负载、低阈值线性度和阈值偏置分布的问题。未来的工作将集中在：

修改下一个原型，以包含局部像素内电荷注入和改进的阈值偏置。
验证在标称 40 MHz 束穿越频率及更低温度（低至 -30°C）下的运行情况。
研究噪声感知型的神经网络重训，以在较低阈值下恢复分类性能，这对于辐射损伤后的运行至关重要。

论文总结道，这些硬件和算法的发展为实现目标 400 $e^-$ 工作阈值和 40 MHz 速率下的可靠智能数据过滤提供了路径，这对于未来的高亮度粒子物理实验至关重要。

类似论文