[論文レビュー] Integrated Detector Control and Calibration Processing at the European XFEL

Astrid Münnich, Steffen Hauf+8 more|arXiv (Cornell University)|Jan 8, 2016

Medical Imaging Techniques and Applications参考文献 17被引用数 3

ひとこと要約

本論文は、欧州XFELにおけるX線検出器の統合的制御およびキャリブレーションフレームワークを提示する。Karabo制御システムを活用し、最大15 GB/sの高速データ取得と複雑な検出器アーキテクチャを管理する。Pythonベースのソフトウェアと最適化されたCUDAおよびnumpyを組み合わせることで、LPD、DSSC、AGIPD検出器における非線形ゲインおよびメモリセル効果のニアリアルタイム補正を実現し、4.5 MHzの繰り返しレートで高精度なイメージングを可能にする。

ABSTRACT

The European X-ray Free Electron Laser is a high-intensity X-ray light source currently being constructed in the area of Hamburg, that will provide spatially coherent X-rays in the energy range between $0.25\,\mathrm{keV}$ and $25\,\mathrm{keV}$. The machine will deliver $10\,\mathrm{trains/s}$, consisting of up to $2700\,\mathrm{pulses}$, with a $4.5\,\mathrm{MHz}$ repetition rate. The LPD, DSSC and AGIPD detectors are being developed to provide high dynamic-range Mpixel imaging capabilities at the mentioned repetition rates. A consequence of these detector characteristics is that they generate raw data volumes of up to $15\,\mathrm{Gbyte/s}$. In addition the detector's on-sensor memory-cell and multi-/non-linear gain architectures pose unique challenges in data correction and calibration, requiring online access to operating conditions and control settings. We present how these challenges are addressed within XFEL's control and analysis framework Karabo, which integrates access to hardware conditions, acquisition settings (also using macros) and distributed computing. Implementation of control and calibration software is mainly in Python, using self-optimizing (py) CUDA code, numpy and iPython parallels to achieve near-real time performance for calibration application.

研究の動機と目的

• 欧州XFELにおける高繰り返しレートX線検出器から生じる巨大会計データレート（最大15 GB/s）を管理する課題に対処すること。
• 複雑なセンサ内メモリおよび非線形ゲインアーキテクチャを持つ検出器のリアルタイム制御およびキャリブレーションを統合するシステムを構築すること。
• ハードウェアの状態、取得設定、分散コンピューティングを統合したフレームワーク内で、データ補正の正確性を保証すること。
• 4.5 MHzのレートで動作するMピクセル検出器の計算負荷を考慮しても、ニアリアルタイム性能を達成すること。

提案手法

• Karabo制御およびデータ取得フレームワーク内に検出器制御とキャリブレーションを統合すること。
• 高性能なデータ処理のため、自己最適化CUDAカーネルを備えたPythonの使用。
• numpyとiPythonの並列化を活用してキャリブレーション計算を高速化すること。
• リアルタイムでの適応に向け、ハードウェア状態および取得マクロへの動的アクセス。
• 多段階および非線形ゲイン応答を補正するキャリブレーションパイプラインの実装。
• Karaboの分散コンピューティング機能を活用して処理を計算リソースに分散すること。

実験結果

リサーチクエスチョン

• RQ1 最大15 GB/sの生データを生成するシステムにおいて、検出器制御とキャリブレーションを効率的に統合する方法は何か？
• RQ2 高速X線検出器における非線形ゲインおよびメモリセル効果のリアルタイム補正を可能にする計算アーキテクチャは何か？
• RQ3 キャリブレーション中にハードウェア状態および取得パrameterを動的にアクセスし、活用する方法は何か？
• RQ4 極めて高いデータレートと複雑な検出器物理学を伴う環境下でも、データの整合性を維持するための統合フレームワークの役割は何か？
• RQ5 高スルーレートX線施設において、Pythonベースのソフトウェアがどのようにニアリアルタイムの性能を達成できるか？

主な発見

• 本システムは、欧州XFELのMピクセル検出器から最大15 GB/sの生データを正常に処理している。
• 最適化されたPythonおよびCUDAコードのおかげでニアリアルタイムキャリブレーションが達成され、非線形ゲインおよびメモリ効果のタイムリーな補正が可能になった。
• Karaboフレームワークにより、ハードウェア状態、取得設定、分散コンピューティングの統合がスムーズに実現された。
• マクロおよび動的パrameterアクセスの使用により、変化する検出器状態へのリアルタイム適応が可能になった。
• 高水準言語であるPythonを低レベル最適化と組み合わせることで、高性能キャリブレーションが実現可能であることが実証された。
• フレームワークは、4.5 MHzの繰り返しレートで高いダイナミックレンジを有するLPD、DSSC、AGIPD検出器の信頼性ある運用をサポートしている。