Echtzeit Graph Neural Networks auf FPGAs für das elektromagnetische Kalorimeter von Belle II

Forschende am Institut für Experimentelle Teilchenphysik (ETP) und am Institut für Technik der Informationsverarbeitung (ITIV) haben ein echtzeitfähiges, auf Graph Neural Networks basierendes Triggersystem für das elektromagnetische Kalorimeter des Belle II Experiments am SuperKEKB Beschleuniger in Tsukuba entwickelt und in Betrieb genommen. Das System ist in den First Level Trigger integriert und verarbeitet 8 Millionen Ereignisse pro Sekunde mit einer festen Latenz von 3,168 Mikrosekunden, bevor die Daten dauerhaft gespeichert werden. Es handelt sich um das erste auf Graph Neural Networks basierende Rekonstruktionssystem, das auf FPGAs innerhalb des Triggers eines Beschleunigerexperiments betrieben wird.

FPGAs sind programmierbare Logikchips, mit denen sich maßgeschneiderte digitale Schaltungen realisieren lassen. Im Gegensatz zu CPUs und GPUs, die Softwareanweisungen auf fest vorgegebenen Prozessorarchitekturen ausführen, werden Berechnungen auf FPGAs direkt in Hardwarelogik abgebildet. Dadurch lassen sich sehr geringe deterministische Latenzen und ein extrem hoher Durchsatz erreichen. Die Latenz bezeichnet die Zeitspanne zwischen dem Eintreffen der Detektordaten und der Triggerentscheidung. In Beschleunigerexperimenten wie Belle II ist dieses Zeitfenster strikt begrenzt, da die Detektordaten nur kurzfristig zwischengespeichert werden können. Die erreichte Latenz von 3,168 Mikrosekunden bedeutet, dass sämtliche Berechnungen innerhalb dieses festen Zeitfensters abgeschlossen sind.

Die Entwicklung des Algorithmus und die Auswertung der Daten wurden von Dr. Isabel Haide im Rahmen ihrer Promotion am KIT geleitet. Die FPGA Implementierung wurde von dem Doktoranden Marc Neu verantwortet. Mehrere Masterstudierende der Physik und der Elektrotechnik waren an Entwicklung und Validierung beteiligt. Der Trigger rekonstruiert und klassifiziert Energiedepositionen aus Teilchenkollisionen in Echtzeit und erzielt Verbesserungen in Ortsauflösung und Effizienz. Ein zusätzlicher Klassifikator sorgt für weitere Unterdrückung von Untergrund, um steigenden Strahluntergrundraten bei Belle II zu begegnen.

Die Arbeit wurde bei JINST eingereicht und ist als Preprint verfügbar. Die Trainings- und Evaluierungssoftware ist öffentlich zugänglich.  Weitere Komponenten wurden ebenfalls als Open Source veröffentlicht, darunter die Quantized GravNet Implementierung, ein angepasster QKeras Fork, sowie der Hardware Implementierungscode. 

Kontakt: Prof. Torben Ferber (torben ferber ∂does-not-exist.kit edu) , Prof. Jürgen Becker (juergen.becker@kit.edu)