[论文解读] Nanosecond anomaly detection with decision trees and real-time application to exotic Higgs decays

Stephen Roche, Quincy Bayer+5 more|arXiv (Cornell University)|Apr 7, 2023

Particle physics theoretical and experimental studies参考文献 103被引用 4

一句话总结

本文提出了一种基于FPGA的实时异常检测系统，采用深度决策树森林实现自编码器，用于高能物理领域，实现25 ns的推理延迟——与大型强子对撞机（LHC）的对撞率相匹配——同时仅使用百分比级别的FPGA资源。该方法可检测传统基于阈值的触发机制所遗漏的奇异希格斯玻色子衰变，实现实时发现新物理现象，且延迟和资源消耗极低。

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.

研究动机与目标

• 开发一种适用于高能物理的实时异常检测系统，能够在大型强子对撞机（LHC）的25 ns对撞窗口内运行。
• 克服现有基于神经网络的异常检测器在FPGA触发系统中面临的延迟与资源限制。
• 实现对传统基于阈值的触发机制所遗漏的、此前未被探测到的奇异希格斯玻色子衰变的检测。
• 在典型真实LHC数据中常见的信号污染训练场景下，验证该方法的鲁棒性。

提出的方法

• 该方法采用基于树的自编码器架构，利用深度决策树（DDT）与并行决策路径（PDP）实现在FPGA上的超高速推理。
• 编码器通过深度决策树中的基于阈值的分裂将输入数据映射到潜在空间，而解码器则从潜在表示中重建输入。
• 系统在标准模型过程上进行训练，以学习正常事件的模式，从而检测偏离该模式的异常。
• 固件使用fwXmachina框架实现，可在FPGA上实现高效、低延迟部署，且对DSP资源需求极低。
• 该架构采用星型编码器（⋆-coder）设计，通过并行决策路径实现编码与解码的同步进行，避免显式存储潜在层。
• 该方法使用模拟的LHC数据集进行验证，包括一个用于奇异希格斯衰变的基准测试，以及一个包含多种新物理模型的更广泛LHC物理数据集。

实验结果

研究问题

• RQ1 基于决策树的自编码器是否能在FPGA上实现25 ns延迟的LHC触发系统中的实时异常检测？
• RQ2 该方法在检测因未通过传统单轻子触发阈值而被丢弃的奇异希格斯玻色子衰变方面效果如何？
• RQ3 当训练数据中包含信号事件（模拟真实部署条件）时，系统性能表现如何？
• RQ4 该方法在FPGA资源利用率与功耗方面的资源效率如何？

主要发现

• 系统实现25 ns的推理延迟，与LHC的40 MHz对撞率完全匹配，是目前报道的面向高能物理边缘人工智能的最低延迟异常检测方法。
• 该方法仅使用百分比级别的FPGA资源，使其适用于资源极度受限的触发系统。
• 自编码器成功检测到希格斯玻色子衰变为两个新物理伪标量子，其衰变为轻子的事件，而这些事件被传统基于阈值的触发机制所丢弃。
• 即使在训练数据中包含高达10%的信号污染时，异常检测性能依然保持稳健，证明了其实际可行性。
• 在使用MNIST的一个测试案例中，该方法实现了约300倍的数据压缩-解压缩比，表明其在复杂输入空间中具有出色的重建保真度。
• 该框架具有通用性，适用于其他需要超低延迟与极低资源消耗的边缘AI应用。