[論文レビュー] Tracking performance in high multiplicities environment at ALICE

D. Røhr|arXiv (Cornell University)|Sep 2, 2017

Particle Detector Development and Performance参考文献 9被引用数 11

ひとこと要約

本論文は、ALICE Run 3アップグレードのためのGPUアクセラレートされたオンライン追跡およびキャリブレーションフレームワークを提示しており、50 kHz連続Pb-Pbデータ取得を可能にし、20×のデータ圧縮比を達成する。これは、TRDおよびTOFデータを用いてリアルタイムでTPCドリフト時間および空間電荷歪み補正を含むHLTオンライン追跡を拡張したものであり、プロトタイプで9.1×の圧縮が達成され、オンライン手法と同等のTRD追跡効率を示している。

ABSTRACT

In LHC Run 3, ALICE will increase the data taking rate significantly to 50\,kHz continuous read out of minimum bias Pb-Pb events. This challenges the online and offline computing infrastructure, requiring to process 50 times as many events per second as in Run 2, and increasing the data compression ratio from 5 to 20. Such high data compression is impossible by lossless ZIP-like algorithms, but it must use results from online reconstruction, which in turn requires online calibration. These important online processing steps are the most computing-intense ones, and will use GPUs as hardware accelerators. The new online features are already under test during Run 2 in the High Level Trigger (HLT) online processing farm. The TPC (Time Projection Chamber) tracking algorithm for Run 3 is derived from the current HLT online tracking and is based on the Cellular Automaton and Kalman Filter. HLT has deployed online calibration for the TPC drift time, which needs to be extended to space charge distortions calibration. This requires online reconstruction for additional detectors like TRD (Transition Radiation Detector) and TOF (Time Of Flight). We present prototypes of these developments, in particular a data compression algorithm that achieves a compression factor of~9 on Run 2 TPC data, and the efficiency of online TRD tracking. We give an outlook to the challenges of TPC tracking with continuous read out.

研究の動機と目的

• ALICE Run 3における50 kHz連続最小バイアスPb-Pbデータ取得を可能にし、Run 2と比較して50倍のイベント処理速度を要する。
• TPC生データに対して20×のデータ圧縮比を達成し、これは損失なし圧縮のみでは実現不可能である。
• オンライン再構成の結果を用いて、TPCドリフト時間および空間電荷歪みのリアルタイムオンラインキャリブレーションを開発する。
• 追跡処理をTRDおよびTOF検出器にまで拡張し、キャリブレーションおよび圧縮を支援する。
• 高い多重度および連続読み出しの下でも、Run 2レベルの追跡性能（効率、分解能）を維持する。

提案手法

• 50倍の高いイベントレートに対応するため、既存のHLTオンライン追跡アルゴリズム（セルオートマトンシーディングおよびカルマンフィルターリファインメントに基づく）をGPUアクセラレーションに適応する。
• GPU上で全TPC時間フレームを時系列順に処理し、複数の頂点が1つのドリフト時間に存在する状況に対処するために、イベントごとの座標変換を回避する。
• 40分間のオンラインキャリブレーションサイクルから得られる空間電荷歪み（SCD）補正を、チェビシェフ多項式補間を用いて適用する。
• 高多重度環境下でのマッチング効率を向上させるために、複数の仮説に基づくアプローチを用いたオンラインTRDトラックレット再構成を開発する。
• TPCドリフト速度のオンラインキャリブレーションを実装し、TPC読み出し電子回路からの電流測定値を用いてSCDへの拡張を図る。
• TPCトラックフィットやdE/dxなどの追加再構成ステップをGPUにオフロードすることで、全体の処理遅延を低減し、スループットを向上させる。

実験結果

リサーチクエスチョン

• RQ1 オンライン追跡およびキャリブレーションは、Run 3で50倍のPb-Pbイベント/秒を処理するにあたり、Run 2レベルの追跡性能を維持しながらどのようにスケーリング可能か？
• RQ2 損失なし圧縮ではなく、オンライン再構成の結果を用いた場合、達成可能なデータ圧縮比は何か？20×の目標に到達可能か？
• RQ3 TRDおよびTOFデータを用いて、オンラインで空間電荷歪み補正をリアルタイムで実現可能か？また、これによりトラック分解能にどのような影響があるか？
• RQ4 GPU上で連続読み出しおよびフルフレーム処理を可能にするために、HLT追跡パイプラインにどのような変更が必要か？
• RQ5 オンラインTRD追跡性能は、オフライン再構成と比較してどの程度か？低トランスバース運動量領域での効率に制限要因は何か？

主な発見

• プロトタイプのデータ圧縮アルゴリズムは、Run 2のTPCデータに対して9.1×の圧縮比を達成し、Run 3の20×の目標に近づいている。
• TPCドリフト時間のオンラインキャリブレーションは正常に実証され、40分間隔のキャリブレーションを用いて空間電荷歪みへの拡張が進行中である。
• 空間電荷歪み補正により、主頂点からのDCA分解能が著しく向上し、高歪み領域におけるバイアスが低減された。
• オンラインTRD追跡プロトタイプは、$P_{\text{T}} > 1$ GeVの領域でオフライン再構成と同等のマッチング効率を示しているが、低$P_{\text{T}}$領域ではハードウェアのしきい値制限により性能が低下する。
• GPUベースのTPC追跡は、オフライン処理と同等の効率で1秒間に4000万トラックを処理可能であり、50 kHzでのリアルタイム処理を可能にしている。
• GPU上での全TPC時間フレーム処理は実現可能であり、セクタベース処理と同様にフレームをスライスすることでメモリ制約を管理可能である。