[论文解读] Smart sensors using artificial intelligence for on-detector electronics and ASICs

G. Carini, G. Deptuch+20 more|arXiv (Cornell University)|Apr 27, 2022

Particle Detector Development and Performance被引用 5

一句话总结

本文倡导将人工智能（AI）直接集成到下一代粒子物理实验的探测器电子设备和专用集成电路（ASIC）中，实现实时数据压缩、增强信号处理以及低功耗运行。通过与抗辐射、低功耗微电子技术（尤其是超越CMOS技术，如忆阻器和存内计算）协同设计AI算法，以满足极端环境下的严苛要求，同时加速科学发现进程。

ABSTRACT

Cutting edge detectors push sensing technology by further improving spatial and temporal resolution, increasing detector area and volume, and generally reducing backgrounds and noise. This has led to a explosion of more and more data being generated in next-generation experiments. Therefore, the need for near-sensor, at the data source, processing with more powerful algorithms is becoming increasingly important to more efficiently capture the right experimental data, reduce downstream system complexity, and enable faster and lower-power feedback loops. In this paper, we discuss the motivations and potential applications for on-detector AI. Furthermore, the unique requirements of particle physics can uniquely drive the development of novel AI hardware and design tools. We describe existing modern work for particle physics in this area. Finally, we outline a number of areas of opportunity where we can advance machine learning techniques, codesign workflows, and future microelectronics technologies which will accelerate design, performance, and implementations for next generation experiments.

研究动机与目标

• 通过在传感器层面实现AI，应对高能物理实验中日益增长的数据洪流，实现实时数据处理与压缩。
• 通过将智能能力更靠近数据源，克服传统数据传输与离线处理的局限性。
• 推动面向极端条件（高辐射、低温、低功耗）的AI硬件与设计工具发展，超越商业AI应用的范畴。
• 通过跨学科协作与开源设计工具，加速高效、可配置且抗辐射的AI系统开发。
• 探索22 nm FDSOI、忆阻器和相变存储器等新兴微电子技术，以实现在传感器层面的能效高、性能优的AI。

提出的方法

• 采用专用集成电路（ASIC）实现探测器上的AI，执行模拟信号放大、模数转换（ADC）以及片上机器学习推理。
• 利用集成传感器、ADC与处理逻辑的片上系统（SoC）平台，实现灵活的数据流与算法编排。
• 采用高效的机器学习技术，如自编码器（例如ECON-T）和低精度网络（例如含340万个参数的MobileNet），实现紧凑、低功耗的推理。
• 集成AI协同设计工具与EDA框架，加速软硬件协同设计，缩短开发周期。
• 探索超越CMOS技术，包括易失性与非易失性忆阻器、相变存储器（PCM）以及浮置栅极存储器，用于存内计算与类脑推理。
• 研究先进CMOS工艺节点（如22 nm FDSOI）的抗辐射实现方式与超低电压运行（400 mV及以下），以适用于低温与高辐射环境。

实验结果

研究问题

• RQ1 在下一代粒子物理实验中，探测器上的AI如何减少数据带宽与系统复杂性？
• RQ2 在高辐射或低温等极端环境下，实现高效、实时AI所必需的软硬件与算法要求是什么？
• RQ3 AI算法、ASIC与微电子技术的协同设计如何加速智能探测器的开发？
• RQ4 新兴的超越CMOS技术（如忆阻器与相变存储器）在实现能效高、性能优的片上AI方面可能发挥什么作用？
• RQ5 开源设计工具与可配置硬件平台如何降低进入门槛，加速探测器上AI的创新？

主要发现

• 探测器上的AI能够在保留关键物理信息的同时实现实时数据压缩与滤波，显著降低下游数据传输量与系统复杂性。
• 现有实现案例（如ECON-T自编码器与sparkPix SoC）已证明在1 MHz帧率下，将AI与传感器及ADC逻辑集成的可行性。
• 基于浮置栅极存储器的类脑加速器相比传统数字CMOS电路，能效最高可提升1000倍。
• 先进CMOS工艺节点（如22 nm FDSOI）可实现超低电压运行（低于400 mV），并已在建模中用于评估其在辐射环境与4 K低温下的性能。
• 在极端环境（如HL-LHC、EIC与中微子探测器）中将AI与ASIC集成，展示了在数据获取与控制回路方面实现变革性改进的潜力。
• 忆阻器与PCM等新兴技术在存内计算与类脑推理方面展现出前景，但其在辐射环境下的抗辐射能力与长期可靠性尚未在这些场景中得到验证。