[論文レビュー] HEP Community White Paper on Software trigger and event reconstruction

J. Albrecht, K. Bloom+38 more|arXiv (Cornell University)|Jan 1, 2018

Particle Detector Development and Performance被引用数 3

ひとこと要約

このHEPコミュニティ白書は、高エネルギー物理学におけるソフトウェアトリガおよびイベント再構築の戦略的ロードマップを提示し、HL-LHCおよび将来の実験の要請に応えるために、次世代のアルゴリズム、データ構造、コンピューティングパラダイムの開発を強調している。本白書は、トラッキング、パラメータフローアルゴリズム（PFA）、カルマンフィルタリング、GPUアクセラレート再構築に関するコミュニティ全体の研究開発を提唱しており、ACTS、HEP.TrkX、PandoraPFAといった主要プロジェクトが、実験間で性能と移植性の両面で革新をもたらしている。

ABSTRACT

Realizing the physics programs of the planned and upgraded high-energy physics (HEP) experiments over the next 10 years will require the HEP community to address a number of challenges in the area of software and computing. For this reason, the HEP software community has engaged in a planning process over the past two years, with the objective of identifying and prioritizing the research and development required to enable the next generation of HEP detectors to fulfill their full physics potential. The aim is to produce a Community White Paper which will describe the community strategy and a roadmap for software and computing research and development in HEP for the 2020s. The topics of event reconstruction and software triggers were considered by a joint working group and are summarized together in this document.

研究の動機と目的

• HL-LHCにおけるイベント再構築およびソフトウェアトリガの計算負荷が現在85%を超えるHL-LHC CPUリソースを消費していることに対応する。
• 将来の高インテンシティ実験を支援する次世代のアルゴリズムおよびデータ処理パイプラインの研究開発ニーズを特定・優先順位付けする。
• 保守性、パフォーマンス、移植性を向上させるために、共通で利用可能な実験に依存しないツールキットを用いたコミュニティ主導のソフトウェア開発を推進する。
• 機械学習、並列アーキテクチャ（GPU、Xeon Phi）および効率的なデータモデル（例：PODIO）といった新技術を、コアの再構築ワークフローに統合する。
• リアルタイム再構築およびトリガーシステムがスケーラブルでパフォーマンスに優れ、広範なHEPソフトウェアおよびコンピューティングインfra構造の目標と整合していることを保証する。

提案手法

• 主なHEP実験におけるイベント再構築およびソフトウェアトリガの現行実践を共同作業グループで分析する。
• トラック再構築、パラメータフローアルゴリズム（PFA）、カルマンフィルタリング、ジャット検出の主要要素をベンチマークおよびパフォーマンス予測を用いて評価する。
• GPUアクセラレートトラッキング、ベクトル化カルマンフィルタリング、モジュラーなソフトウェアフレームワークを含むアルゴリズム的イノベーションのための研究開発ロードマップを提言する。
• ACTS、HEP.TrkX、PandoraPFA、ArborPFAといったコミュニティプロジェクトを調査し、共有可能で拡張可能で高性能なソフトウェアの模範例として強調する。
• パフォーマンスが求められるソフトウェアパターン、例えばPOD構造（PODIO経由）および最適化された検出器ジオメトリナビゲーションをトラッキングに統合する。
• 外部ツールキット（例：線形代数および機械学習用）を活用するとともに、HEP特化パイプラインへのコミュニティの採用と統合を提唱する。

実験結果

リサーチクエスチョン

• RQ1 HL-LHCおよびそれ以上のデータレートに耐えうる十分な拡張性と効率性を持つイベント再構築およびソフトウェアトリガーは、どのように実現できるか？
• RQ2 機械学習およびディープラーニングは、リアルタイムトラッキングおよびパラメータフロー再構築のパフォーマンス向上にどのような役割を果たせるか？
• RQ3 GPUやマルチコアプロセッサを含む多様なハードウェアプラットフォーム上で、トラッキングおよび再構築アルゴリズムをどのように移植可能でモジュラーかつ効率的に実装できるか？
• RQ4 リアルタイムおよびオフライン処理において、高いパフォーマンスと低レイテンシを確保するためのソフトウェアインfraやデータモデル（例：PODIO）は何か？
• RQ5 ACTS や HEP.TrkX といったコミュニティ主導の実験に依存しないツールキットは、どのようにイノベーションを加速させるとともに、重複を減らし保守性を向上できるか？

主な発見

• HL-LHCにおけるイベント再構築およびシミュレーションは、CPUリソースの85%以上を消費すると予想され、アルゴリズム的およびアーキテクチャ的最適化の緊急の必要性が浮き彫りになった。
• ACTSプロジェクトは、実験に依存しない高パフォーマンスなトラッキングソフトウェアの基盤を提供しており、最適化されたジオメトリナビゲーションおよびトラック予測を備えている。
• GPUアクセラレートトラック再構築、特にベクトル化カルマンフィルタリングおよびセルラーアクティビティシーディングを用いることで、リアルタイム処理における顕著なパフォーマンス向上が達成できる。
• ArborPFA や PandoraPFA といったパラメータフローアルゴリズムは、木構造クラスタリングを用いることで、高密度グリッドのコンパクトなコメータメータで再構築精度が向上している。
• HEP.TrkXプロジェクトは、HL-LHCのデータレートに耐えうる高度なパターン認識技術（深層ニューラルネットワークを含む）の体系的評価を可能にしている。
• PODIOは、複雑な継承や仮想関数を回避する軽量なデータモデルを提供しており、実行時効率およびI/Oパフォーマンスを向上させている。