[논문 리뷰] Nanosecond anomaly detection with decision trees and real-time application to exotic Higgs decays

Stephen Roche, Quincy Bayer외 5명|arXiv (Cornell University)|2023. 04. 07.

Particle physics theoretical and experimental studies참고 문헌 103인용 수 4

한 줄 요약

이 논문은 고에너지 물리학에서 실시간으로 작동하는 FPGA 기반의 이상 탐지 시스템을 제안하며, 깊이 있는 결정 트리의 숲을 사용해 오토에인코더를 구현함으로써, LHC의 충돌 빈도와 동일한 25 ns의 추론 지연을 달성하면서도 FPGA 자원의 퍼센트 수준만을 사용한다. 이 방법은 기존의 임계값 기반 트리거에서 빠지는 이례적인 힉스 붕괴를 탐지하여 실시간으로 새로운 물리 현상을 발견할 수 있도록 한다. 이로 인해 지연과 자원 사용이 최소화된 초고속 이상 탐지가 가능하다.

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.

연구 동기 및 목표

• LHC의 25 ns 충돌 윈도우 내에서 실시간으로 작동하는 고에너지 물리학을 위한 이상 탐지 시스템을 개발한다.
• 기존의 신경망 기반 이상 탐지기에서 FPGA 트리거 시스템의 지연과 자원 제약를 극복한다.
• 기존의 임계값 기반 트리거에서 빠지는 이례적인 힉스 붕괴를 탐지할 수 있도록 한다.
• 실제 LHC 데이터에서 흔히 발생하는 신호로 오염된 학습 환경에서의 방법의 강건성을 입증한다.

제안 방법

• 초고속 추론을 위해 병렬 결정 경로(Parallel Decision Paths, PDP)를 갖춘 깊이 있는 결정 트리(Deep Decision Trees, DDT)를 사용한 트리 기반 오토에인코더 아키텍처를 적용한다.
• 에코더는 깊이 있는 결정 트리에서 임계값 기반 분할을 통해 입력 데이터를 잠재 공간으로 매핑하고, 디코더는 잠재 표현에서 입력을 재구성한다.
• 정상적인 이벤트 패턴을 학습하기 위해 표준 모형 과정을 기반으로 훈련함으로써, 이상으로 간주되는 편차를 탐지할 수 있다.
• 펌웨어는 fwXmachina 프레임워크를 사용하여 FPGA에 효율적이고 저지연으로 구현되며, DSP 사용량도 최소화된다.
• 잠재층을 명시적으로 저장하지 않고도 동시에 인코딩과 디코딩을 수행할 수 있도록 해주는 스타코더(⋆-coder) 아키텍처를 사용한다.
• 모델은 이례적 힉스 붕괴에 대한 벤치마크와 다양한 봉우리 물리 모델이 포함된 더 넓은 LHC 물리 데이터셋을 포함한 시뮬레이션된 LHC 데이터셋을 기반으로 검증되었다.

실험 결과

연구 질문

• RQ1 결정 트리 기반 오토에인코더가 LHC 트리거 시스템에서 FPGA에서 25 ns 지연으로 실시간 이상 탐지에 성공할 수 있는가?
• RQ2 기존의 단일 레프톤 트리거 임계값을 통과하지 못하는 이례적 힉스 붕괴를 탐지하는 데 이 방법이 얼마나 효과적인가?
• RQ3 실제 구현 조건을 반영하기 위해 신호 이벤트로 오염된 데이터로 훈련했을 경우 시스템의 성능은 어떻게 되는가?
• RQ4 FPGA 자원 활용도와 전력 소모 측면에서 이 방법의 자원 효율성은 어떠한가?

주요 결과

• 시스템은 LHC의 40 MHz 충돌 빈도와 동일한 25 ns의 추론 지연을 달성하여, 고에너지 물리학 분야의 엣지 AI에서 보고된 바 중 가장 낮은 지연을 기록한다.
• 이 방법은 FPGA 자원의 퍼센트 수준만을 사용하여 자원이 제한된 트리거 시스템에도 구현이 가능하다.
• 오토에인코더는 레프톤으로 붕괴하는 두 개의 봉우리 물리 페시스칼라로 붕괴하는 이례적 힉스 붕괴를 성공적으로 탐지하였다. 이러한 이벤트는 기존의 임계값 기반 트리거에 의해 기각된다.
• 학습 데이터에 최대 10%의 신호 오염이 포함된 상황에서도 이상 탐지 성능이 강건하게 유지되어 실용성과 타당성을 입증하였다.
• MNIST를 사용한 테스트 케이스에서 데이터 압축-압축 해제 비율이 약 300에 이를 정도로 복잡한 입력 공간에서 뛰어난 재구성 정밀도를 확보하였다.
• 이 프레임워크는 일반화 가능하며 초저지연과 최소 자원 사용이 요구되는 다른 엣지 AI 응용 분야에 적용 가능하다.