对于HL-LHC,FPGA实现了一个基于CNN的拓触发器
J Brooke1, E Clement1, M Glowacki2
1H H Wills Physics Laboratory, University of Bristol, Tyndall Avenue, Bristol, BS8 1TL UK.
Computing and software for big science
|November 6, 2025
概括
在FPGA上的卷积神经网络可以增强强子对撞机的快速在线事件选择. 一个特定的模型显示CMS L1触发器的承诺,改善信号/背景对HH(bbbb) 事件的歧视.
科学领域:
- 高能物理 高能物理
- 计算机科学 计算机科学
- 机器学习 机器学习
背景情况:
- 快速在线事件选择对于强子对撞机的数据处理至关重要.
- 卷积神经网络 (CNN) 提供了强大的图像分类功能.
- 现场可编程门阵列 (FPGA) 为实时应用程序提供硬件加速.
研究的目的:
- 研究CNN在可编程逻辑中的实现,以快速在线事件选择.
- 优化CNN架构,以满足高发光率大型强子对撞机 (HL-LHC) 的硬件约束和延迟要求.
- 用模拟数据评估基于CNN的事件选择的物理性能.
主要方法:
- 研究CNN使用完整事件图像进行分类.
- 集成的网络架构的内置硬件意识优化.
- 用模拟数据评估物理性能,重点是信号/背景歧视.
- 在当前FPGA资源和HL-LHC触发延迟范围内评估实施可行性.
主要成果:
- 确定了适合当前FPGA和HL-LHC触发延迟的CNN模型.
- 一个CNN模型的候选者在CMS L1触发器中展示了HH(bbbb) 频道的优秀信号/背景歧视.
- 在图像生成之前,性能对堆积缓解技术敏感.
结论:
- 在快速在线事件选择中,CNN对于硬件实现在哈德龙碰撞器中是可行的.
- 优化的CNN可以满足HL-LHC触发系统的苛刻要求.
- 拟议的方法显示了增强未来撞击器物理分析的巨大潜力.
