[論文レビュー] Smart sensors using artificial intelligence for on-detector electronics and ASICs

G. Carini, G. Deptuch+20 more|arXiv (Cornell University)|Apr 27, 2022

Particle Detector Development and Performance被引用数 5

ひとこと要約

本論文は、次世代の素粒子物理学実験における、AIをオン・ドテクターエレクトロニクスおよびASICに直接統合することを提唱しており、リアルタイムでのデータ圧縮、信号処理の向上、低消費電力動作を実現する。AIアルゴリズムと放射線耐性があり低消費電力なマイクロエレクトロニクス（特にメモリスティブやメモリ内計算を含む、CMOSを超える技術）を共同で設計することで、極限環境下でも科学的発見を加速する。

ABSTRACT

Cutting edge detectors push sensing technology by further improving spatial and temporal resolution, increasing detector area and volume, and generally reducing backgrounds and noise. This has led to a explosion of more and more data being generated in next-generation experiments. Therefore, the need for near-sensor, at the data source, processing with more powerful algorithms is becoming increasingly important to more efficiently capture the right experimental data, reduce downstream system complexity, and enable faster and lower-power feedback loops. In this paper, we discuss the motivations and potential applications for on-detector AI. Furthermore, the unique requirements of particle physics can uniquely drive the development of novel AI hardware and design tools. We describe existing modern work for particle physics in this area. Finally, we outline a number of areas of opportunity where we can advance machine learning techniques, codesign workflows, and future microelectronics technologies which will accelerate design, performance, and implementations for next generation experiments.

研究の動機と目的

• 高エネルギー物理学実験におけるデータの洪水を解消するため、センサーレベルにAIを実装し、リアルタイムでのデータ処理と圧縮を可能にする。
• 従来のデータ伝送やオフライン処理の限界を克服するため、知能をデータソースに近づける。
• 商業的AIアプリケーションをはるかに超える、高放射線、超低温、低消費電力といった極限条件に特化したAIハードウェアおよび設計ツールを前進させる。
• 多様な分野の協働とオープンソースの設計ツールを活用して、効率的で再構成可能かつ放射線耐性を持つAIシステムの開発を加速する。
• 22 nm FDSOI、メモリスティブ、相変化メモリなどの新興マイクロエレクトロニクス技術を検討し、センサーレベルでのエネルギー効率が高く高性能なAIを実現する。

提案手法

• アプリケーション特化集積回路（ASIC）を用いて、アナログ信号増幅、量子化（ADC）、およびオンチップでの機械学習推論を実現するオン・ドテクターエループAIを実装する。
• センサ、ADC、処理論理を統合したシステムオンチップ（SoC）プラットフォームを活用し、柔軟なデータフローとアルゴリズムオchestrationを可能にする。
• コンパクトで低消費電力な推論を実現するため、自己符号化器（例：ECON-T）や低精度ネットワーク（例：340万パラメータのMobileNet）などの効率的な機械学習手法を活用する。
• AI共同設計ツールおよびEDAフレームワークを統合し、ハードウェア・ソフトウェアの共同設計を加速し、開発時間を短縮する。
• 揮発性および非揮発性メモリスティブ、相変化メモリ（PCM）、フローティングゲートメモリを含む、CMOSを超える技術を活用し、メモリ内計算およびニューロモーラル推論を実現する。
• 放射線耐性を備えた先進CMOSノード（例：22 nm FDSOI）および超低電圧動作（400 mV以下）を調査し、4Kでの超低温および高放射線環境下での運用を想定する。

実験結果

リサーチクエスチョン

• RQ1 次世代の素粒子物理学実験において、オン・ドテクターエループAIは、データ帯域幅とシステム複雑性をどのように低減できるか？
• RQ2 高放射線や超低温といった極限環境に適した効率的でリアルタイムなAIを実装するにあたり、どのようなハードウェア的およびアルゴリズム的要件が必要か？
• RQ3 AIアルゴリズム、ASIC、マイクロエレクトロニクスの共同設計は、知能型検出器の開発をどのように加速できるか？
• RQ4 メモリスティブや相変化メモリを含む新興のCMOSを超える技術が、エネルギー効率が高く高性能なセンサ内AIを実現するために果たす役割は何か？
• RQ5 オープンソースの設計ツールと再構成可能なハードウェアプラットフォームは、オン・ドテクターエループAI分野における参入障壁をどのように低減し、イノベーションを加速できるか？

主な発見

• オン・ドテクターエループAIは、重要な物理的コンテンツを保持したままリアルタイムでのデータ圧縮およびフィルタリングを可能にし、後続のデータ伝送とシステム複雑性を低減する。
• ECON-T自己符号化器やsparkPix SoCといった既存の実装例は、1-MHzフレームレートでセンサおよびADC論理とAIを統合する可能性を実証している。
• フローティングゲートメモリに基づくニューロモーラル加速器は、従来のデジタルCMOS回路と比較して、エネルギー効率が最大1000倍向上している。
• 先進的なCMOSノード（例：22 nm FDSOI）は、400 mV未満の超低電圧動作を可能にし、放射線効果および4Kでの超低温動作のシミュレーションが進行中である。
• HL-LHC、EIC、ニュートリノ検出器など、極限環境におけるASICとAIの統合は、データ取得および制御ループにおける変革的改善の可能性を示している。
• メモリスティブやPCMのような新興技術は、メモリ内計算およびニューロモーラル推論の分野で有望であるが、放射線耐性および長期的信頼性については、この文脈では未検証のままである。