[论文解读] HEP Community White Paper on Software trigger and event reconstruction

J. Albrecht, K. Bloom+38 more|arXiv (Cornell University)|Jan 1, 2018

Particle Detector Development and Performance被引用 3

一句话总结

本高能物理（HEP）社区白皮书概述了高能物理中软件触发与事例重建的战略路线图，强调下一代算法、数据结构和计算范式，以应对高亮度大型强子对撞机（HL-LHC）及未来实验的需求。白皮书倡导在追踪、粒子流算法（PFA）、卡尔曼滤波以及GPU加速重建方面开展全社区范围的研发，关键项目如ACTS、HEP.TrkX和PandoraPFA正推动各实验间性能与可移植性的创新。

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.

研究动机与目标

• 应对高能物理事例重建与软件触发日益增长的计算负担，当前已消耗超过85%的HL-LLCPU资源。
• 识别并优先考虑下一代算法与数据处理流水线的研发需求，以支持未来高亮度实验。
• 通过共享、与实验无关的工具包，推动全社区软件开发，提升可维护性、性能与可移植性。
• 将机器学习、并行架构（如GPU、Xeon Phi）以及高效数据模型（如PODIO）等新兴技术整合进核心重建工作流。
• 确保实时重建与触发系统具备可扩展性、高性能，并与更广泛的高能物理软件与计算基础设施目标保持一致。

提出的方法

• 对主要高能物理实验中当前的事例重建与软件触发实践进行联合工作组分析。
• 通过基准测试与性能预测，评估关键组件如轨迹重建、粒子流算法（PFA）、卡尔曼滤波与喷注寻找的性能。
• 提出算法创新方面的研发路线图，包括GPU加速追踪、向量化卡尔曼滤波与模块化软件框架。
• 调查并突出展示当前社区项目如ACTS、HEP.TrkX、PandoraPFA与ArborPFA，作为共享、可扩展且高性能软件的典范。
• 集成性能关键的软件模式，如纯旧数据（POD）结构（通过PODIO实现）以及优化的探测器几何导航，以提升追踪效率。
• 利用外部工具包（如线性代数与机器学习工具包），同时倡导其在高能物理专用流水线中的社区采纳与集成。

实验结果

研究问题

• RQ1 如何使事例重建与软件触发在可扩展性和效率方面足够强大，以应对HL-LHC及以后预期的数据速率？
• RQ2 机器学习与深度学习在提升实时轨迹追踪与粒子流重建性能方面可发挥何种作用？
• RQ3 如何使追踪与重建算法在包括GPU与多核处理器在内的多样化硬件平台上具备可移植性、模块化与高效性？
• RQ4 需要何种软件基础设施与数据模型（如PODIO）以确保实时与离线处理中具备高性能与低延迟？
• RQ5 如何通过社区驱动、与实验无关的工具包（如ACTS、HEP.TrkX）加速创新，同时减少重复工作并提升可维护性？

主要发现

• 预计超过85%的HL-LHC CPU资源将被事例重建与模拟所消耗，凸显了对算法与架构优化的迫切需求。
• ACTS项目为实验无关、高性能的追踪软件奠定了基础，具备优化的几何导航与轨迹外推能力。
• GPU加速的轨迹重建，包括向量化卡尔曼滤波与细胞自动播种技术，显著提升了实时处理的性能。
• 如ArborPFA与PandoraPFA等粒子流算法在使用树状结构聚类方法时，可在高颗粒度量能器中实现更高的重建精度。
• HEP.TrkX项目使先进模式识别技术（包括深度神经网络）在HL-LHC数据率下的追踪性能得以系统性评估。
• PODIO提供了一种高性能、轻量级的数据模型，避免了复杂的继承与虚函数，从而提升了运行时效率与I/O性能。