[论文解读] Real-time Timepix3 data clustering, visualization and classification with a new Clusterer framework

L. Meduna, B. Bergmann+4 more|arXiv (Cornell University)|Oct 29, 2019

Particle Detector Development and Performance被引用 4

一句话总结

本文提出了一种名为 Clusterer 的实时、多线程 C++ 框架，用于处理 Timepix3 探测器数据，支持使用四叉树数据结构和动态插件过滤器进行在线聚类、可视化和过滤。该系统能够从无序像素流中实现低延迟事件重建，并通过智能过滤将数据量减少高达 90%，已在 CERN 的 ATLAS 和 MoEDAL 实验中得到验证，具备实时辐射监测和三维轨迹重建能力。

ABSTRACT

With the next-generation Timepix3 hybrid pixel detector, new possibilities and challenges have arisen. The Timepix3 segments active sensor area of 1.98 $cm^2$ into a square matrix of 256 x 256 pixels. In each pixel, the Time of Arrival (ToA, with a time binning of 1.56 $ns$) and Time over Threshold (ToT, energy) are measured simultaneously in a data-driven, i.e. self-triggered, read-out scheme. This contribution presents a framework for data acquisition, real-time clustering, visualization, classification and data saving. All of these tasks can be performed online, directly from multiple readouts through UDP protocol. Clusters are reconstructed on a pixel-by-pixel decision from the stream of not-necessarily chronologically sorted pixel data. To achieve quick spatial pixel-to-cluster matching, non-trivial data structures (quadtree) are utilized. Furthermore, parallelism (i.e multi-threaded architecture) is used to further improve the performance of the framework. Such real-time clustering offers the advantages of online filtering and classification of events. Versatility of the software is ensured by supporting all major operating systems (macOS, Windows and Linux) with both graphical and command-line interfaces. The performance of the real-time clustering and applied filtration methods are demonstrated using data from the Timepix3 network installed in the ATLAS and MoEDAL experiments at CERN.

研究动机与目标

• 实现对高数据率、数据驱动的 Timepix3 探测器数据流的实时处理，用于辐射监测和事件预选。
• 解决由于 Timepix3 硬件限制导致的像素数据部分无序时，粒子轨迹重建的挑战。
• 通过基于聚类特性（如大小和能量）的在线过滤，降低数据存储需求。
• 确保跨平台兼容性，并支持图形用户界面（GUI）和命令行界面（CLI），以提升广泛适用性。
• 提供模块化、可扩展的软件框架，兼容多种 Timepix3 读出系统，包括 Katherine 和 SPIDR。

提出的方法

• 该框架使用四叉树空间数据结构，加速实时聚类过程中像素到聚类的匹配。
• 采用多线程架构，对输入解析、聚类和可视化任务进行并行处理，以实现高性能。
• 提出一种新型事件构建算法，通过基于时间和空间邻近性（8 邻接邻居）的动态聚类合并，按时间顺序处理输入像素。
• 系统使用 2000 ns 的时间窗口定义聚类成员资格，确保粒子相互作用的一致性。
• 通过插件库实现过滤，允许用户自定义事件选择标准，如能量沉积和聚类大小。
• 框架支持能量校准和时间走漂校正，提升物理分析的数据准确性。

实验结果

研究问题

• RQ1 如何从无序的 Timepix3 像素数据流中实时重建粒子事件？
• RQ2 哪些数据结构和并行化策略能够实现高数据率探测器数据的低延迟聚类？
• RQ3 在线过滤在多大程度上能减少数据量而不损失物理相关事件？
• RQ4 该框架在重建三维粒子轨迹和识别非弹性相互作用方面的有效性如何？
• RQ5 该软件能否在多种操作系统上可靠部署，并同时支持图形用户界面（GUI）和命令行界面（CLI）？

主要发现

• 该框架成功实现了从 Timepix3 数据流中实时重建粒子轨迹，即使像素数据存在高达 200 µs 的时间无序性。
• 通过使用 2000 ns 时间窗口和 8 邻接空间标准，系统实现了粒子相互作用的高精度聚类，且延迟极低。
• 在测试束实验中，在线过滤将数据量减少了高达 90%，显著降低了磁盘存储需求，同时保留了物理相关事件。
• 系统展示了实时辐射场监测能力，支持实时统计，包括聚类速率和能量谱，如 CERN 测试束数据所示。
• 对选定聚类进行骨架化处理，成功识别出来自非弹性核相互作用的五枝碎片轨迹，证实了该框架在详细事件分析方面的能力。
• 该框架在 Windows、macOS 和 Linux 上实现了完全的跨平台兼容性，支持图形用户界面（GUI）和命令行界面（CLI），确保在实验物理领域的广泛适用性。