[논문 리뷰] Smart sensors using artificial intelligence for on-detector electronics and ASICs

G. Carini, G. Deptuch외 20명|arXiv (Cornell University)|2022. 04. 27.

Particle Detector Development and Performance인용 수 5

한 줄 요약

이 논문은 차세대 입자물리 실험을 위한 온-디텍터 전자회로 및 ASIC에 인공지능(AI)을 직접 통합하여 실시간 데이터 압축, 향상된 신호 처리, 저전력 작동을 가능하게 하려는 것을 주장한다. 고온·고방사선 환경에서의 요구 조건을 충족하면서 과학적 발견을 가속화하기 위해, 방사선에 강한 특성과 저전력 작동을 갖춘 마이크로전자 기술—특히 메모리스트로, 메모리 내 연산 기반의 초-CMOS 기술—과 AI 알고리즘을 공동 설계함으로써 이를 달성하고자 한다.

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.

연구 동기 및 목표

• 고에너지 물리 실험에서 증가하는 데이터 폭발 문제를 해결하기 위해 센서 수준에서 AI를 구현하여 실시간 데이터 처리 및 압축을 가능하게 한다.
• 기존의 데이터 전송 방식과 오프라인 처리의 한계를 극복하기 위해 지능을 데이터 소스에 가까이 위치시킨다.
• 상업적 AI 응용을 초월해 극한 조건—고방사선, 고온도, 저전력—에서 요구되는 AI 하드웨어 및 설계 도구를 발전시킨다.
• 다학제적 협업과 오픈소스 설계 도구를 통해 효율적이고 구성이 가능하며 방사선에 강한 AI 시스템의 개발을 가속화한다.
• 22 nm FDSOI, 메모리스트, 단상변화 메모리 등 새로운 마이크로전자 기술을 탐색하여 센서 수준에서 에너지 효율적이고 고성능의 AI를 실현한다.

제안 방법

• 응용특화집적회로(ASIC)를 활용해 온-디텍터 AI를 구현하며, 아날로그 신호 증폭, 디지털 변환(ADC), 그리고 차세대 기계학습 추론을 모두 칩 내에서 수행한다.
• 센서, ADC, 처리 논리가 통합된 시스템온칩(SoC) 플랫폼을 활용해 데이터 흐름과 알고리즘 조율의 유연성을 확보한다.
• 작은 크기와 저전력으로 작동하는 효율적인 기계학습 기법—예: ECON-T 기반 자동에코더, 340만 파라미터를 가진 MobileNet 등—을 활용한다.
• AI 공정 설계 도구와 EDA 프레임워크를 통합해 하드웨어-소프트웨어 공동 설계를 가속화하고 개발 시간을 단축한다.
• 메모리 내 연산 및 뉴로모픽 추론을 위한 비가역성 및 비가역성 메모리스트, 단상변화 메모리(PCM), 플로팅게이트 메모리 등 초-CMOS 기술을 탐색한다.
• 고급 CMOS 노드(예: 22 nm FDSOI)의 방사선에 강한 구현과 초저전압 작동(400 mV 이하)을 조사하여 4K 온도의 극저온 및 고방사선 환경에서의 적용 가능성을 검토한다.

실험 결과

연구 질문

• RQ1 차세대 입자물리 실험에서 온-디텍터 AI는 데이터 대역폭과 시스템 복잡성을 어떻게 줄일 수 있는가?
• RQ2 고방사선 또는 극저온 조건과 같은 극한 환경에서 효율적이고 실시간으로 작동하는 AI를 구현하기 위한 핵심 하드웨어 및 알고리즘 요구사항은 무엇인가?
• RQ3 AI 알고리즘, ASIC, 마이크로전자 기술 간의 공동 설계가 지능형 디텍터 개발을 어떻게 가속화할 수 있는가?
• RQ4 메모리스트 및 단상변화 메모리 등 새로운 초-CMOS 기술이 에너지 효율적이고 고성능의 센서 수준 AI를 어떻게 실현할 수 있는가?
• RQ5 오픈소스 설계 도구와 구성 가능한 하드웨어 플랫폼은 온-디텍터 AI 분야의 접근 장벽을 어떻게 낮추고 혁신을 가속화할 수 있는가?

주요 결과

• 온-디텍터 AI는 중요한 물리적 정보를 유지하면서 실시간 데이터 압축 및 필터링을 가능하게 하여, 후속 데이터 전송과 시스템 복잡성을 줄인다.
• 기존의 구현 사례인 ECON-T 자동에코더와 sparkPix SoC는 1-MHz 프레임 속도에서 센서 및 ADC 논리와 AI를 통합하는 것이 가능함을 입증했다.
• 플로팅게이트 메모리 기반의 뉴로모픽 가속기에서는 기존 디지털 CMOS 회로 대비 에너지 효율성이 최대 1000배 향상되었다.
• 고급 CMOS 노드(예: 22 nm FDSOI)는 초저전압 작동(400 mV 이하)을 가능하게 하며, 방사선 영향 및 4K 온도에서의 극저온 작동에 대한 모델링이 진행 중이다.
• HL-LHC, EIC, 중성미자 디텍터와 같은 극한 환경에서 ASIC와 AI의 통합은 데이터 수집 및 제어 루프의 전환적 향상 가능성을 보여주었다.
• 메모리스트 및 PCM와 같은 신기술들은 메모리 내 연산 및 뉴로모픽 추론에 유망한 가능성을 보이고 있으나, 방사선에 대한 내구성과 장기 신뢰성은 아직 검증되지 않았다.