[논문 리뷰] HEP Community White Paper on Software trigger and event reconstruction

J. Albrecht, K. Bloom외 38명|arXiv (Cornell University)|2018. 01. 01.

Particle Detector Development and Performance인용 수 3

한 줄 요약

이 HEP 공동체 화이트페이퍼는 고에너지물리학에서 소프트웨어 트리거 및 이벤트 재구성에 대한 전략적 로드맵을 제시하며, HL-LHC와 향후 실험의 요구를 충족시키기 위해 차세대 알고리즘, 데이터 구조, 그리고 컴퓨팅 패러다임을 강조한다. 본 문서는 트래킹, 입자 흐름 알고리즘(PFA), 칼만 필터링, GPU 가속 재구성 분야에서 공동체 차원의 연구개발(R&D)을 촉진하며, ACTS, HEP.TrkX, PandoraPFA와 같은 핵심 프로젝트들이 실험 간 성능과 이식 가능성 향상에 기여하고 있음을 밝힌다.

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.

연구 동기 및 목표

• 현재 HL-LHC의 CPU 자원의 85% 이상를 소비하고 있는 고에너지물리학 이벤트 재구성 및 소프트웨어 트리거의 증가하는 계산 부담을 해결한다.
• 향후 고광도 실험을 뒷받침할 다음 세대 알고리즘과 데이터 처리 파이프라인의 R&D 필요사항을 식별하고 우선순위를 정한다.
• 유지보수성, 성능, 이식 가능성 향상을 위해 공통으로 사용 가능한 실험에 종속되지 않는 소프트웨어 툴킷을 통한 공동체 기반 소프트웨어 개발을 촉진한다.
• 기계학습, 병렬 아키텍처(GPU, Xeon Phi), 효율적인 데이터 모델(PODIO 등)과 같은 신규 기술을 핵심 재구성 워크플로우에 통합한다.
• 실시간 재구성 및 트리거 시스템이 확장 가능하고 성능이 우수하며, 전체 HEP 소프트웨어 및 컴퓨팅 인프라 목표와 일치하도록 보장한다.

제안 방법

• 주요 HEP 실험들 간의 이벤트 재구성 및 소프트웨어 트리거의 현재 관행을 공동 작업 그룹 분석을 통해 평가한다.
• 트랙 재구성, 입자 흐름 알고리즘(PFA), 칼만 필터링, 제트 추적 등의 핵심 구성 요소를 벤치마크와 성능 예측을 통해 평가한다.
• GPU 가속 트래킹, 벡터화된 칼만 필터링, 모듈러 소프트웨어 프레임워크를 포함한 알고리즘 혁신을 위한 R&D 로드맵을 제안한다.
• ACTS, HEP.TrkX, PandoraPFA, ArborPFA와 같은 공동체 프로젝트들을 공동으로 확장 가능하고 고성능인 소프트웨어의 사례로 조사하고 강조한다.
• 순수한 데이터 구조(POD) 구조(PODIO를 통해)와 최적화된 검출기 기하학 탐색을 위한 성능 중심의 소프트웨어 패턴을 통합한다.
• 선형 대수학 및 기계학습을 위한 외부 툴킷을 활용하면서도, 공동체에서의 채택과 HEP 전용 파이프라인에의 통합을 촉진한다.

실험 결과

연구 질문

• RQ1 HL-LHC 및 그 이상에서 예상되는 데이터 속도를 감당할 수 있도록 이벤트 재구성 및 소프트웨어 트리거를 어떻게 확장 가능하고 효율적으로 만들 수 있는가?
• RQ2 기계학습 및 딥 러닝은 실시간 트래킹 및 입자 흐름 재구성 성능 향상에 어떤 역할을 할 수 있는가?
• RQ3 다양한 하드웨어 플랫폼(예: GPU, 다중코어 프로세서)에서 트래킹 및 재구성 알고리즘을 어떻게 이식 가능하고 모듈러하며 효율적으로 만들 수 있는가?
• RQ4 실시간 및 오프라인 처리에서 고성능과 낮은 지연 시간을 보장하기 위해 필요한 소프트웨어 인프라와 데이터 모델(PODIO 등)은 무엇인가?
• RQ5 ACTS, HEP.TrkX와 같은 공동체 중심의 실험에 종속되지 않는 툴킷은 혁신을 어떻게 가속화하면서도 중복을 줄이고 유지보수성을 향상시킬 수 있는가?

주요 결과

• HL-LHC에서 이벤트 재구성 및 시뮬레이션으로 인해 총 CPU 자원의 85% 이상가 소비될 것으로 예측되며, 이는 알고리즘 및 아키텍처 최적화의 긴급한 필요성을 강조한다.
• ACTS 프로젝트는 최적화된 기하학 탐색 및 트랙 외삽을 통해 실험에 종속되지 않는 고성능 트래킹 소프트웨어의 기반을 제공한다.
• GPU 가속 트랙 재구성, 특히 벡터화된 칼만 필터링과 세포 자동화 기반 시드링을 통해 실시간 처리에서 뚜렷한 성능 향상을 이룬다.
• ArborPFA 및 PandoraPFA와 같은 입자 흐름 알고리즘은 트리 기반 클러스터링을 사용해 고해상도 캘로리메터에서 더 높은 재구성 정확도를 보였다.
• HEP.TrkX 프로젝트는 HL-LHC 속도에서의 트래킹에 적합한 고급 패턴 인식 기법(딥 뉴럴 네트워크 포함)을 체계적으로 평가할 수 있도록 한다.
• PODIO는 복잡한 상속과 가상 함수를 피하는 경량이고 고성능 데이터 모델을 제공하여 런타임 효율성과 I/O 성능을 향상시킨다.