[论文解读] HL-LHC Computing Review: Common Tools and Community Software

Aarrestad, Thea, Amoroso, Simone+106 more|arXiv (Cornell University)|Jan 1, 2020

Particle physics theoretical and experimental studies参考文献 96被引用 11

一句话总结

本文综述了高亮度LHC（HL-LHC）通用软件与社区软件的现状，识别了在物理事件生成器、探测器模拟、重建/软件触发以及数据分析等领域的关键挑战与研发优先事项。论文倡导采用GPU和加速器技术，提升性能分析与优化水平，整合机器学习技术，并通过协调的资金投入与职业发展路径，保障关键软件的长期可持续性。

ABSTRACT

Common and community software packages, such as ROOT, Geant4 and event generators have been a key part of the LHC's success so far and continued development and optimisation will be critical in the future. The challenges are driven by an ambitious physics programme, notably the LHC accelerator upgrade to high-luminosity, HL-LHC, and the corresponding detector upgrades of ATLAS and CMS. In this document we address the issues for software that is used in multiple experiments (usually even more widely than ATLAS and CMS) and maintained by teams of developers who are either not linked to a particular experiment or who contribute to common software within the context of their experiment activity. We also give space to general considerations for future software and projects that tackle upcoming challenges, no matter who writes it, which is an area where community convergence on best practice is extremely useful.

研究动机与目标

• 应对HL-LHC日益增长的计算需求，其中触发率和堆积极预计分别增加约10倍和200倍。
• 识别并优先排序多个高能物理实验共享软件工具的研发需求。
• 通过资金支持、职业发展和基础设施投入，确保关键社区软件的长期可持续性。
• 促进在异构架构（CPU、GPU、FPGA、TPU）之间的互操作性与可移植性，以增强高能物理软件的未来适应性。
• 推动高能物理与产业界合作，以利用机器学习和硬件加速的最新进展。

提出的方法

• 对物理事件生成器进行性能分析与CPU成本核算，以识别优化目标。
• 通过数据并行范式探索GPU移植，并为事件生成器开发原型GPU实现。
• 推进快速模拟技术，包括基于机器学习和参数化模型的方法，并建立标准化的调优与验证框架。
• 为Geant4及其他模拟工具开发CPU-GPU混合集成原型，尤其针对电磁量能器部分。
• 设计声明式分析描述语言与元数据方案，以简化跨实验的分析工作流。
• 提出高能物理软件栈与主流数据科学及机器学习框架（如PyTorch、TensorFlow）之间的互操作方案。

实验结果

研究问题

• RQ1 如何通过GPU和向量化执行优化物理事件生成器，以降低CPU成本？
• RQ2 当前探测器模拟（如Geant4）中的关键性能瓶颈是什么？如何通过重构与专用高能物理模型加以缓解？
• RQ3 在极端堆积极条件下，如何使在线与离线系统中的重建与软件触发流水线更加高效且一致？
• RQ4 何种数据压缩与存储模型可实现每事件约1 kb的存储足迹，同时保持分析灵活性？
• RQ5 如何在不牺牲可移植性或长期可维护性的前提下，实现高能物理软件与外部机器学习及数据科学工具的可持续集成？

主要发现

• GPU加速被确定为所有领域中的首要优先事项，尤其在事件生成器、探测器模拟（特别是量能器部分）以及重建中。
• 当前CPU性能提升预计仅为每年约10%，因此采用GPU和加速器技术对实现HL-LHC准备就绪至关重要。
• 机器学习技术在优化相空间采样、减少负权重事件以及加速快速模拟方面展现出巨大潜力。
• 一个重大挑战在于确保社区软件的长期可持续性，这需要为开发者提供专门的资金支持与职业发展路径。
• 通过声明式语法以及标准化的元数据与校准方案，可显著提升跨实验分析工作流的互操作性。
• 将机器学习模型集成到C++驱动的高能物理框架中，被视为实现实时分析与触发优化的关键推动力。