[论文解读] Tracking performance in high multiplicities environment at ALICE

D. Røhr|arXiv (Cornell University)|Sep 2, 2017

Particle Detector Development and Performance参考文献 9被引用 11

一句话总结

本论文提出了一种针对ALICE实验Run 3升级的GPU加速在线追踪与校准框架，实现了在50 kHz连续Pb-Pb数据获取下20倍的数据压缩率。该框架将HLT在线追踪扩展至利用TRD和TOF数据实时校准TPC漂移时间和空间电荷畸变，原型系统实现9.1倍压缩率，并证明在线TRD追踪效率可与离线方法相媲美。

ABSTRACT

In LHC Run 3, ALICE will increase the data taking rate significantly to 50\,kHz continuous read out of minimum bias Pb-Pb events. This challenges the online and offline computing infrastructure, requiring to process 50 times as many events per second as in Run 2, and increasing the data compression ratio from 5 to 20. Such high data compression is impossible by lossless ZIP-like algorithms, but it must use results from online reconstruction, which in turn requires online calibration. These important online processing steps are the most computing-intense ones, and will use GPUs as hardware accelerators. The new online features are already under test during Run 2 in the High Level Trigger (HLT) online processing farm. The TPC (Time Projection Chamber) tracking algorithm for Run 3 is derived from the current HLT online tracking and is based on the Cellular Automaton and Kalman Filter. HLT has deployed online calibration for the TPC drift time, which needs to be extended to space charge distortions calibration. This requires online reconstruction for additional detectors like TRD (Transition Radiation Detector) and TOF (Time Of Flight). We present prototypes of these developments, in particular a data compression algorithm that achieves a compression factor of~9 on Run 2 TPC data, and the efficiency of online TRD tracking. We give an outlook to the challenges of TPC tracking with continuous read out.

研究动机与目标

• 在ALICE Run 3中实现50 kHz最小作用截面Pb-Pb连续数据获取，事件处理速率较Run 2提高50倍。
• 实现TPC原始数据20倍的数据压缩率，仅靠无损压缩无法实现。
• 利用在线重建结果，开发TPC漂移时间与空间电荷畸变的实时在线校准。
• 将在线追踪扩展至包含TRD和TOF探测器，以支持校准与压缩。
• 在更高多重性与连续读出条件下，确保追踪性能（效率、分辨率）达到Run 2水平。

提出的方法

• 将现有的HLT在线追踪算法——基于细胞自动机种子生成与卡尔曼滤波精炼——适配GPU加速，以处理50倍更高的事件速率。
• 在GPU上对完整的TPC时间帧进行时间有序处理，绕过逐事件转换为空间坐标的步骤，以支持单个漂移时间内的多个顶点。
• 使用切比雪夫多项式插值，应用来自40分钟在线校准周期的电荷畸变（SCD）校正。
• 开发基于多假设方法的在线TRD微分段重建，以提高高多重性环境下的匹配效率。
• 实现TPC漂移速度的在线校准，并利用TPC读出电子设备的电流测量数据将其扩展至SCD校准。
• 将额外的重建步骤（如TPC轨迹拟合、dE/dx）卸载至GPU，以降低整体处理延迟并提高吞吐量。

实验结果

研究问题

• RQ1 如何在Run 3中将在线追踪与校准扩展至每秒处理50倍于Run 2的Pb-Pb事件，同时保持Run 2水平的追踪性能？
• RQ2 利用在线重建结果而非无损压缩，可实现的数据压缩率是多少？是否能达到20倍的目标？
• RQ3 能否利用TRD和TOF数据实现实时空间电荷畸变在线校准？其对轨迹分辨率有何影响？
• RQ4 HLT追踪处理流程需要进行哪些修改，以支持GPU上的连续读出与全帧处理？
• RQ5 在线TRD追踪性能与离线重建相比如何？其在低横动量区域效率受限的原因是什么？

主要发现

• 原型数据压缩算法在Run 2 TPC数据上实现了9.1倍的压缩率，接近Run 3目标的20倍。
• TPC漂移时间的在线校准已成功实现，并正扩展至使用40分钟间隔的空间电荷畸变校准。
• 空间电荷畸变校正显著改善了与主顶点的距离相关偏差（DCA）分辨率，减少了高畸变区域的偏差。
• 在线TRD追踪原型在$P_{\text{T}} > 1$ GeV时的匹配效率与离线重建相当，但在低$P_{\text{T}}$区域因硬件阈值限制导致性能下降。
• 基于GPU的TPC追踪实现了每秒4000万条轨迹，效率与离线处理相同，支持50 kHz下的实时处理。
• 在GPU上处理完整的TPC时间帧是可行的，通过类似分扇区处理的方式对帧进行切片，可有效管理内存限制。