LyndHub
Jadwal Sholat

Memuat jadwal sholat…

← Semua jurnalIndeks pencarian

Editorial Ilmu Komputer & AI

Open AccessOA2025

Eksperimen Cerdas melalui AI Waktu Nyata: Pemrosesan Data Cepat dan Kontrol Detektor Otonom untuk sPHENIX dan Detektor EIC Masa Depan

Pemicu streaming GNN-pada-FPGA untuk peristiwa heavy-flavour ber momentum rendah di sPHENIX, dan penandaan elektron DIS berbasis AI untuk Electron-Ion Collider
J. Kvapil; G. Borca-Tasciuc; H. Bossi; K. Chen; Y. Chen; Y. C. Morales; H. D. Da Costa; C. D. Da Silva; C. Dean; J. Durham; S. Fu; C. Hao; P. Harris; O. Hen; H. Jheng; Y. Lee; P. Li; X. Li; Y. Lin; M.-X. Liu; Vladimir Loncar; J. Mitrevski; A. Olvera; M. Purschke; Jimmy S. J. Ren; G. Roland; J. Schambach; Z. Shi; N. Tran; N. Wuerfel; B. Xu; Dantong Yu; H. Zhang· Proceedings of 42nd International Conference on High Energy Physics — PoS(ICHEP2024)· 2025· DOI 10.22323/1.476.1033

Masalah inti

Proyek ini, yang diinisiasi oleh **inisiatif AI-Pembelajaran Mesin Fisika Nuklir DOE pada tahun 2022**, menargetkan hambatan struktural yang sama yang dihadapi oleh eksperimen nuklir berenergi tinggi di RHIC, LHC, dan Electron-Ion Collider (EIC) masa depan: volume dan laju data detektor melebihi apa yang dapat diterima oleh rantai pembacaan konvensional yang dipicu perangkat keras.

Pada eksperimen **sPHENIX**, kalorimeter memberlakukan batas keras pada laju pemicu maksimum sebesar **15 kHz**. Batas ini bukan properti fisika yang diminati, melainkan arsitektur pembacaan: tumbukan terjadi pada **3 MHz** dalam operasi p+p, sehingga sistem pemicu membuang sebagian besar peristiwa. Secara formal, laju yang diterima dibatasi oleh

yang sesuai dengan faktor penekanan sebesar

Biaya ilmiah dari penekanan ini terkonsentrasi pada peristiwa **heavy-flavour** langka ber momentum rendah, yang justru merupakan tanda-tanda ya

Inovasi

Hasil yang dilaporkan dari program ini adalah pembangunan **demonstrator untuk pemrosesan waktu nyata *stream* data berkecepatan tinggi dari detektor pelacakan sPHENIX**, dievaluasi terhadap titik operasi konkret eksperimen. Dua jangkar kuantitatif membingkai hasilnya:

1. **Laju masukan:** tumbukan p+p pada **3 MHz**.
2. **Batas konvensional:** laju pemicu maksimum **15 kHz**, yang diberlakukan oleh kalorimeter.

Kontribusi demonstrator adalah untuk menunjukkan bahwa **batas 15 kHz dapat diatasi dengan penggunaan cerdas teknologi *streaming* dalam sistem pelacakan**, yaitu dengan melakukan pemilihan pada data pelacakan sebelum batasan pemicu kalorimeter diterapkan. Kelas peristiwa yang ditargetkan adalah **peristiwa *heavy-flavour* langka ber momentum rendah**, yang paling terpapar pada penekanan 200 kali lipat yang dijelaskan di Pendahuluan.

Di sisi implementasi, hasilnya bersifat metodologis sekaligus numerik: arsitektur **GNN** digabungkan dengan **hls4ml** untuk mendapatkan implementasi *firmware* yang cocok untuk operasi waktu nyata, dan pekerjaan ini dibingkai secara eksplisit sebagai kemampuan **pemrosesan data cepat dan kontrol detektor otonom** daripada algoritma tungg

Proyek ini, yang diinisiasi oleh **inisiatif AI-Pembelajaran Mesin Fisika Nuklir DOE pada tahun 2022**, menargetkan hambatan struktural yang sama yang dihadapi oleh eksperimen nuklir berenergi tinggi di RHIC, LHC, dan Electron-Ion Collider (EIC) masa depan: volume dan laju data detektor melebihi apa yang dapat diterima oleh rantai pembacaan konvensional yang dipicu perangkat keras.
Pada eksperimen **sPHENIX**, kalorimeter memberlakukan batas keras pada laju pemicu maksimum sebesar **15 kHz**. Batas ini bukan properti fisika yang diminati, melainkan arsitektur pembacaan: tumbukan terjadi pada **3 MHz** dalam operasi p+p, sehingga sistem pemicu membuang sebagian besar peristiwa. Secara formal, laju yang diterima dibatasi oleh

Mengapa penting

Signifikansi hasil terletak pada *di mana* kecerdasan ditempatkan. Batas laju pemicu adalah batasan tingkat sistem: ketika laju yang diterima adalah

dibandingkan
, tidak ada jumlah komputasi *offline* yang dapat memulihkan peristiwa yang dibuang, karena informasi tersebut tidak pernah disimpan. Dengan memindahkan inferensi GNN ke jalur pelacakan *streaming* — dan dengan mengkompilasinya ke *firmware* FPGA melalui hls4ml — pemilihan terjadi saat data masih ada, mengubah batasan arsitektur pemicu menjadi masalah inferensi yang dapat dipecahkan.

Para penulis berpendapat bahwa keberhasilan di sPHENIX memberikan **manfaat langsung**: meminimalkan sumber daya dan mempercepat pengukuran *heavy-flavour*. Argumen sumber daya penting karena alternatif untuk pemrosesan waktu nyata selektif adalah menerima dan mengangkut volume data yang jauh lebih besar. Argumen percepatan penting karena peristiwa *heavy-flavour* langka ber momentum rendah terbatas secara statistik; memulihkannya di sumber memperpendek waktu untuk pengukuran.

Klaim **transferability** adalah kontribusi yang lebih luas. Tiga lingkungan yang disebutkan — RHIC, LHC, dan EIC masa depan — berbagi tekanan struktural yang sama: laju tumbukan meningkat lebih cepat daripada *bandwidth* pemicu. **Penanda elektron DIS** EIC disajikan sebagai instansiasi berwawasan ke depan dari pola yang sama, menerapkan algoritma AI-ML untuk identifikasi waktu nyata dalam detektor yang belum ada dalam operasi. Pola desain yang berulang karenanya adalah: model ML berbasis graf atau fitur, dilatih secara *offline*, dikompilasi ke FPGA, dan disematkan dalam *pipeline* waktu nyata.

Pertanyaan terbuka muncul secara alami dari cakupan abstrak. Abstrak tidak melaporkan latensi inferensi yang terukur, okupansi sumber daya pada FPGA target, faktor penolakan latar belakang yang dicapai, atau efisiensi sinyal relatif terhadap pemicu konvensional. Ini juga tidak mengkuantifikasi peningkatan hasil *heavy-flavour* yang diharapkan di sPHENIX. Ini adalah pengukuran berikutnya yang alami untuk demonstrator, dan pembingkaian program R&D — sebuah demonstrator, bukan pemicu produksi — konsisten dengan tingkat kematangan tersebut.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…