Des réseaux de neurones à sensibilité bornée capturent les leptons en temps réel
Contexte
Ce travail se situe en marge : les articles voisins dans les archives traitent soit de spectroscopie et de recherche de désintégrations rares, soit d'apprentissage automatique pour l'analyse hors ligne, mais personne n'avait intégré de réseaux de neurones dans le point le plus chaud, à savoir le déclencheur temps réel sur GPU. Autour, il existe déjà des réseaux de neurones pour les désintégrations du boson de Higgs et pour le diagnostic laser, mais ils fonctionnent hors ligne ou sur CPU, là où il n'y a pas de contraintes strictes de temps et de mémoire. Cet article comble le fossé entre la précision de l'apprentissage automatique et les exigences sévères du temps réel, où chaque octet supplémentaire par trace et chaque fraction de pour cent de charge GPU sont critiques.
Méthodes
Deux réseaux de neurones entièrement connectés avec contrainte de Lipschitz ont été développés séparément : l'un pour les muons (5 couches de largeur 10) et l'autre pour les électrons (4 couches de largeur 12). La contrainte est imposée par normalisation des poids : dans la première couche, chaque poids est limité individuellement, dans les couches suivantes, c'est la somme des valeurs absolues des poids entrants dans un neurone qui est bornée. Les activations GroupSort n'augmentent pas la constante de Lipschitz, donc la sensibilité de la sortie aux variations de l'entrée est strictement bornée. Les réseaux sont entraînés sur des événements simulés avec Pythia, avec des désintégrations de J/ψ et Υ(1S) en paires de leptons ; le bruit de fond pour les muons est constitué de protons, pour les électrons de pions et de kaons. Les variables d'entrée sont mises à l'échelle dans l'intervalle [0,1]. Pour les muons, cinq variables sont utilisées : le chi-carré de l'ajustement de la trace avec les hits des stations à muons, la somme des carrés des résidus et trois différences de pente de la trace entre les sous-détecteurs. Pour les électrons, six variables : deux estimations du rapport énergie sur impulsion, le carré de la distance entre la trace extrapolée et le centre du amas, et trois moments de forme de la gerbe dans le calorimètre.
Résultats
Par rapport aux anciens algorithmes à seuil, les réseaux de neurones offrent un meilleur rejet du bruit de fond à efficacité de signal égale dans toutes les régions cinématiques étudiées. Pour les muons, le gain est maximal aux impulsions modérées et élevées, là où passe la majorité des traces après la sélection cinématique ; aux impulsions faibles, la différence est minime. Pour les électrons, l'amélioration est la plus notable aux impulsions faibles, où la résolution en énergie du calorimètre est moins bonne et le seul rapport E/p est peu discriminant. Le réseau dépend peu de la pseudo-rapidité et de l'impulsion transverse. Les deux réseaux contiennent environ 500 paramètres (environ 2 kilo-octets en simple précision) et ajoutent 24 à 28 octets de données par trace. Le profilage d'une séquence typique de HLT1 montre que les noyaux d'identification des muons et des électrons consomment chacun 0,5 à 0,9 % du temps GPU total, ce qui est inférieur aux opérateurs à seuil qu'ils remplacent. Les algorithmes sont déployés dans le déclencheur en conditions réelles et fonctionnent de manière stable sur les données.
Implications
Contrairement aux travaux voisins, où les réseaux de neurones sont utilisés hors ligne ou sur CPU, ici il est montré pour la première fois que des réseaux strictement contraints par Lipschitz peuvent vivre à l'intérieur d'un déclencheur GPU temps réel avec un budget de quelques fractions de pour cent du temps et quelques kilo-octets de mémoire. Ce n'est pas simplement une amélioration de la précision, mais une preuve que des modèles contrôlés sont adaptés aux pipelines les plus exigeants de la physique des hautes énergies. Ce travail établit un modèle : comment insérer une discrimination apprise dans les contraintes strictes du temps réel sans perdre en fiabilité.
Développements futurs
La méthode pourrait s'étendre à d'autres tâches du déclencheur : l'identification des hadrons, des photons, la reconstruction des traces ou la sélection d'événements entiers. Les architectures avec contrainte de Lipschitz permettent de garantir à l'avance la robustesse, ce qui est précieux lorsque les conditions du détecteur changent avec le temps. Des variantes plus profondes ou convolutionnelles pourraient voir le jour si l'on parvient à maintenir une empreinte mémoire réduite. L'approche pourrait également être transposée à d'autres expériences avec des contraintes temps réel sévères, comme les télescopes à neutrinos ou les collisionneurs du futur.
Impact
Cela influencera tout le programme de LHCb sur l'étude des désintégrations rares avec des leptons dans l'état final, en améliorant la précision statistique sans augmenter le flux de données. La technique est applicable à tout système temps réel en physique des particules et au-delà, là où une classification rapide et fiable est nécessaire.
Prochaines étapes
Effectuer une comparaison détaillée de l'efficacité sur les données réelles du Run 3, y compris l'évaluation des incertitudes systématiques. Explorer le transfert d'apprentissage vers d'autres types de particules et l'adaptation aux conditions changeantes du détecteur.
Problèmes ouverts clés
En physique des hautes énergies, le problème de l'utilisation optimale de la bande passante limitée du déclencheur reste non résolu : comment préserver un maximum de signaux rares tout en respectant la limite stricte sur le taux de sortie. Ce travail aborde directement cette question en proposant un moyen d'améliorer le rejet du bruit de fond sans perte d'efficacité ni augmentation des coûts de calcul. Une autre question ouverte est la robustesse des algorithmes d'apprentissage automatique face à l'écart entre simulation et données réelles ; la contrainte de Lipschitz agit ici comme un régularisateur qui atténue ce problème.
Le réseau pour l'identification des muons occupe en mémoire moins qu'une image couleur 32×32 en format PNG, mais il traite des milliers de traces par seconde sur GPU.
Chiffres clés
- fréquence des événements en entrée: 30 MHz
- temps GPU pour les deux réseaux: 0,5–0,9 % du total
- paramètres dans le réseau: ~500 (environ 2 ko)
- données supplémentaires par trace: 24–28 octets
- couches dans le réseau muon: 5 (largeur 10)