[论文解读] Real-time graph neural networks on FPGAs for the Belle II electromagnetic calorimeter

I. Haide, M. Neu+20 more|arXiv (Cornell University)|Feb 16, 2026

Particle physics theoretical and experimental studies被引用 0

一句话总结

本论文开发了一种基于实时图神经网络（GNN-ETM）的触发器，在 FPGA 上实现，用于 Belle II ECL，达到 8 MHz 吞吐量、3.168 μs 延迟，并在基线基础上改进了簇位置/能量重建。

ABSTRACT

We present the development and evaluation of a real-time Graph Neural Network-based trigger for the electromagnetic calorimeter of the Belle II experiment at the SuperKEKB collider. The algorithm processes calorimeter trigger cells as graph nodes to perform clustering, feature extraction, and per-cluster signal classification with deterministic latency compatible with the first-level trigger readout system. The model predicts cluster positions and energies and provides a signal classification score, enabling a more flexible clustering strategy than the baseline trigger algorithm. Implemented on an FPGA and integrated into the Belle II trigger chain for synchronous operation, the system sustains the 8 MHz trigger throughput with an end-to-end latency of 3.168 $μ$s. The performance is evaluated using simulated events and collision data. The energy resolution is comparable to the baseline trigger, while the position resolution for high-energy clusters improves by up to 18 percent in the central detector region. Cluster purity increases by up to 20 percent at low energies for isolated clusters, and cluster efficiency improves by up to 20 percent for overlapping clusters. The signal classifier enables additional background suppression at fixed signal retention. These results demonstrate the first operation of a Graph Neural Network-based reconstruction system implemented on FPGAs within the real-time trigger readout path of a collider experiment.

研究动机与目标

• 为 Belle II ECL 在高束流背景下提出实时、灵活的聚类动机。
• 开发一个在确定性延迟下与 L1 读出兼容的基于 GNN 的 L1 触发模块（GNN-ETM）。
• 将 GNN-ETM 集成到 Belle II 触发链并与基线进行物理性能比较。
• 展示在具有挑战性的拓扑下，簇位置精度、纯度和效率的改进。

提出的方法

• 将量能量探测器触发单元视为图节点，利用 GNN 进行聚类、特征提取和每簇分类。
• 使用带有束流背景叠加的模拟事件以及离线 basf2 重建作为目标对 GNN 进行训练。
• 将训练好的 GNN 置于 FPGA 硬件，并集成到 Belle II 的 L1 触发链中以实现同步操作。
• 结合能量和位置回归目标以及信号分类器，以提高聚类和背景抑制能力。
• 评估延迟、资源使用和吞吐量，确保具备确定性的 L1 兼容性能。

Figure 1 : Placement of the 576 TCs with their corresponding TC-ID.

实验结果

研究问题

• RQ1 在高背景条件下，基于实时 GNN 的方法是否能改善 Belle II ECL L1 触发中的聚类和光子/簇重建？
• RQ2 FPGA 实现的 GNN-ETM 是否在满足 Belle II L1 的硬延迟和吞吐量约束的同时改善能量/位置分辨率与纯度？
• RQ3 GNN-ETM 与基线 ICN-ETM 触发在簇效率、纯度和背景抑制方面有何比较？
• RQ4 基于 GNN 的方法在高能簇位置分辨率和相邻光子分离方面能带来哪些提升？
• RQ5 在具有不同束流背景的仿真和撞击数据中，GNN-ETM 方法是否鲁棒？

主要发现

• GNN-ETM 在端到端延迟 3.168 μs 的前提下维持 8 MHz 的触发吞吐量。
• 能量分辨率与基线触发器相当。
• 高能簇在中心探测区域的位置分辨率提高最多 18%。
• 低能量的孤立簇的簇纯度提高最多 20%。
• 对重叠簇，簇效率提高最多 20%。
• 信号分类器在固定信号保留的前提下实现额外的背景抑制。

Figure 2 : An overview of the modules in the ECL readout chain.