[論文レビュー] Nanosecond anomaly detection with decision trees and real-time application to exotic Higgs decays

Stephen Roche, Quincy Bayer+5 more|arXiv (Cornell University)|Apr 7, 2023

Particle physics theoretical and experimental studies参考文献 103被引用数 4

ひとこと要約

本論文は、高エネルギー物理学におけるオートエンコーダーを実装するための深層決定木の森を用いた、FPGA上で動作するリアルタイムの異常検出システムを提示している。25ナノ秒の推論遅延を達成し、LHCの衝突頻度と一致する。FPGAリソースのパcent程度しか使用せず、従来のしきい値ベースのトリガーを回避するエキゾチックなヒッグス崩壊を検出可能であり、最小限の遅延とリソース使用量で新物理の発見をリアルタイムで可能にする。

ABSTRACT

We present an interpretable implementation of the autoencoding algorithm, used as an anomaly detector, built with a forest of deep decision trees on FPGA, field programmable gate arrays. Scenarios at the Large Hadron Collider at CERN are considered, for which the autoencoder is trained using known physical processes of the Standard Model. The design is then deployed in real-time trigger systems for anomaly detection of unknown physical processes, such as the detection of rare exotic decays of the Higgs boson. The inference is made with a latency value of 30 ns at percent-level resource usage using the Xilinx Virtex UltraScale+ VU9P FPGA. Our method offers anomaly detection at low latency values for edge AI users with resource constraints.

研究の動機と目的

• LHCの25ナノ秒の衝突ウィンドウ内で動作するリアルタイムの異常検出システムを構築すること。
• FPGAトリガーシステムにおける既存のニューラルネットワークベースの異常検出器の遅延およびリソース制約を克服すること。
• 従来のしきい値ベースのトリガーで除外される、以前に検出されなかったエキゾチックなヒッグス崩壊を検出可能にすること。
• 実際のLHCデータに見られるような信号が混入したトレーニング環境下でも、手法の頑健性を示すこと。

提案手法

• 本手法は、FPGA上で超高速推論を実現するため、深層決定木（DDT）と並列意思決定パス（PDP）を用いた木ベースのオートエンコーダー・アーキテクチャを採用する。
• エンコーダーは深層決定木におけるしきい値ベースの分割により入力データを潜在空間にマップし、デコーダーは潜在表現から入力を再構築する。
• システムは標準模型過程のデータでトレーニングされ、正常なイベントパターンを学習する。これにより、逸脱を異常として検出可能となる。
• ファームウェareはfwXmachinaフレームワークを用いて実装され、DSP使用量を最小限に抑えつつ、効率的かつ低遅延なFPGA上でのデプロイメントを可能にする。
• スター・コーダー（⋆-coder）設計を採用し、並列意思決定パスにより同時にエンコーディングとデコーディングを実行する。潜在層の明示的保存を回避する。
• 本手法は、エキゾチックなヒッグス崩壊のベンチマークと、複数のBSMモデルを含むより広範なLHC物理学データセットを用いた、シミュレートされたLHCデータセットで検証されている。

実験結果

リサーチクエスチョン

• RQ1 意思決定木ベースのオートエンコーダーは、LHCトリガーシステムにおいてFPGA上で25ナノ秒の遅延でリアルタイムの異常検出を達成できるか？
• RQ2 従来の単一レプトントリガーしきい値を満たさないエキゾチックなヒッグス崩壊を、本手法はどれほど効果的に検出できるか？
• RQ3 信号イベントが混入したデータでトレーニングされた場合、システムの性能はどの程度維持されるか（実世界のデプロイメント条件を模擬）。
• RQ4 FPGAリソース使用率および消費電力の観点から、本手法のリソース効率はどの程度か？

主な発見

• システムは25ナノ秒の推論遅延を達成し、LHCの40 MHz衝突頻度と一致する。これは、高エネルギー物理学におけるエッジAI分野で報告された中で最も低遅延の異常検出手法である。
• 本手法はFPGAリソースをパcentレベルにしか使用せず、リソースが限られたトリガーシステムへのデプロイメントを可能にする。
• オートエンコーダーは、レプトンに崩壊する2つのBSM準スカラーに崩壊するエキゾチックなヒッグス崩壊を効果的に検出できた。これらのイベントは従来のしきい値ベースのトリガーで破棄されていた。
• トレーニングデータに最大10％の信号混入があっても、異常検出性能が頑健に維持されることを示し、実用的妥当性を裏付けた。
• MNISTを用いたテストケースでは、データの圧縮・再構築要因が約300に達し、複雑な入力空間においても優れた再構築忠実度を示した。
• 本フレームワークは一般化可能であり、超低遅延かつ最小限のリソース使用が求められる他のエッジAIアプリケーションへの応用が可能である。