[논문 리뷰] Tracking performance in high multiplicities environment at ALICE

D. Røhr|arXiv (Cornell University)|2017. 09. 02.

Particle Detector Development and Performance참고 문헌 9인용 수 11

한 줄 요약

이 논문은 ALICE Run 3 업그레이드를 위한 GPU 가속 온라인 추적 및 캘리브레이션 프레임워크를 제시하며, 50 kHz 연속 Pb-Pb 데이터 수집을 가능하게 하고 데이터 압축 비율을 20배로 높인다. 이는 HLT 온라인 추적을 확장하여 TRD 및 TOF 데이터를 활용해 실시간 TPC 이동 시간과 공간 전하 왜곡 캘리브레이션을 포함한다. 프로토타입에서는 9.1배의 압축 비율을 달성했으며, 온라인 방법으로 추적 효율이 오프라인 방법과 유사한 성능을 보였다.

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.

연구 동기 및 목표

• ALICE Run 3에서 50× 더 높은 이벤트 처리량이 요구되는 50 kHz 최소 충돌 Pb-Pb 연속 데이터 수집을 가능하게 한다.
• TPC 원시 데이터에 대해 20×의 압축 비율을 달성하며, 이는 손실 없는 압축만으로는 비현실적이다.
• 온라인 재구성 결과를 활용해 TPC 이동 시간과 공간 전하 왜곡을 실시간으로 캘리브레이션하는 방법을 개발한다.
• 온라인 추적을 확장하여 TRD 및 TOF 검출기를 포함시켜 캘리브레이션과 압축을 지원한다.
• 더 높은 다중도와 연속 읽기 조건에서도 Run 2 수준의 추적 성능(효율성, 분辨도)을 유지한다.

제안 방법

• 50× 더 높은 이벤트 레이트를 처리하기 위해 기존의 HLT 온라인 추적 알고리즘(세포 자동기반 시드링 및 칼만 필터 정밀화 기반)을 GPU 가속에 맞게 수정한다.
• GPU에서 전체 TPC 시간 프레임을 시간 순서로 처리하여, 이동 시간 당 다중 피크를 다룰 수 있도록 이벤트별로 공간 좌표로 변환하는 과정을 건너뛴다.
• 40분 간격의 온라인 캘리브레이션 주기에서 유도된 공간 전하 왜곡(Space Charge Distortion, SCD) 보정을 위해 체비셰프 다항식 보간을 적용한다.
• 고다중도 환경에서 매칭 효율을 향상시키기 위해 다중 가설 기반 접근 방식을 활용해 온라인 TRD 트랙릿 재구성을 개발한다.
• TPC 이동 속도의 온라인 캘리브레이션을 구현하고, TPC 읽기 전자기기에서 얻은 전류 측정치를 활용해 이를 SCD 캘리브레이션으로 확장한다.
• TPC 트랙 피팅, dE/dx 등 추가 재구성 단계를 GPU로 이관하여 총 처리 지연을 줄이고 처리량을 증가시킨다.

실험 결과

연구 질문

• RQ1 Run 3에서 50 kHz 연속 Pb-Pb 이벤트를 처리하기 위해 온라인 추적 및 캘리브레이션을 어떻게 확장할 수 있으며, Run 2 수준의 추적 성능를 유지할 수 있는가?
• RQ2 손실 없는 압축이 아닌 온라인 재구성 결과를 활용할 경우, 달성 가능한 데이터 압축 비율은 얼마이며, 목표인 20×에 도달할 수 있는가?
• RQ3 TRD 및 TOF 데이터를 활용해 실시간 공간 전하 왜곡 캘리브레이션을 온라인에서 달성할 수 있으며, 이는 트랙 분辨도에 어떤 영향을 미치는가?
• RQ4 HL트랙킹 파이프라인에 어떤 수정이 가해져야 연속 읽기 및 GPU에서의 전체 프레임 처리가 가능해지는가?
• RQ5 온라인 TRD 추적 성능는 오프라인 재구성과 비교해 어떻게 되며, 저전하 운동량 영역에서 효율성이 저하되는 원인은 무엇인가?

주요 결과

• 프로토타입 데이터 압축 알고리즘은 Run 2 TPC 데이터에서 9.1배의 압축 비율을 달성했으며, Run 3 목표인 20×에 가까워지고 있다.
• TPC 이동 시간에 대한 온라인 캘리브레이션은 성공적으로 구현되었으며, 40분 간격의 캘리브레이션 주기로 공간 전하 왜곡 캘리브레이션으로 확장 중이다.
• 공간 전하 왜곡 보정은 주점에서의 DCA 분辨도를 크게 향상시켜 고왜곡 영역에서의 편향을 감소시킨다.
• 온라인 TRD 추적 프로토타입은 $P_{\text{T}} > 1$ GeV 영역에서 오프라인 재구성과 유사한 매칭 효율을 보였지만, 저전하 운동량 영역에서는 하드웨어 임계값 제한으로 인해 성능 저하가 발생한다.
• GPU 기반 TPC 추적은 오프라인 처리와 동일한 효율성으로 1초당 4000만 개의 트랙을 처리하며, 50 kHz에서 실시간 처리가 가능하다.
• GPU에서 전체 TPC 시간 프레임 처리가 가능하며, 섹터 기반 처리와 유사하게 영역을 분할함으로써 메모리 제약을 관리할 수 있다.