用于高堆积条件下辐射探测器实时信号重建的深度学习算法 FPGA 实现
仪器与探测器
2019-03-07 v1
摘要
辐射探测器读出电子学产生的模拟信号在数字化前需进行整形以改善信噪比（SNR）。随后利用数字滤波器获取模拟信号的真实幅度，从而提供探测器中沉积能量的信息。经典数字滤波器在高斯电子噪声且无脉冲形状畸变的理想情况下性能良好。然而，诸如 CERN 大型强子对撞机（LHC）等高能粒子对撞机可产生多个同时发生的辐射事件，造成信号堆积。由于信号脉冲形状发生畸变，经典数字滤波器在此类条件下性能退化。此外，此类实验产生高对撞率，需要高吞吐量的数据采集系统。为应对这些严苛需求，新型读出电子学系统基于高性能 FPGA，从而允许使用更先进的实时信号重建算法。本文提出一种用于高堆积辐射探测器实时信号重建的深度学习方法。利用模拟数据研究了新方法的性能，并与经典 FIR 滤波器方法进行比较。特别地，以 ATLAS Tile 量能器中使用的信号与 FIR 滤波器作为基准。文中还给出了所提神经网络算法在 FPGA 上的实现、资源占用与性能。
引用
@article{arxiv.1903.02439,
title = {FPGA implementation of a deep learning algorithm for real-time signal reconstruction in radiation detectors under high pile-up conditions},
author = {J. L. Ortiz and F. Carrió and A. Valero},
journal= {arXiv preprint arXiv:1903.02439},
year = {2019}
}
备注
9 pages, 5 figures, 3 tables