针对ATLAS能量沉积器数据的FPGA上线处理优化神经网络
仪器与探测器
2026-02-06 v3
摘要
本文 presented了用于再现ATLAS液氦argon能量沉积器细胞中沉积能量的神经网络架构研究，特别是针对HL-LHC预期的高pile-up条件。这些网络被设计用于在严格的大小和延迟约束下的能量沉积器FPGA基只读硬件上运行。包括稠密网络(Dense)、循环网络(RNN)和卷积网络(CNN)的多种网络架构，均通过贝叶斯化过程进行优化，以平衡能量分辨率与网络大小。优化后的稠密网络、CNN和组合化Dense+RNN架构实现约80 MeV的横向能量分辨率，优于当前使用的最优滤波(OF)方法以及类似复杂度的RNN。详细的动态范围比较表明，Dense、CNN和Dense+RNN准确再现能量尺度，而OF和RNN低估能量。在Dense架构中实现深层信任回归(Deep Evidential Regression)，以解决可靠事件能量不确定性估计的需求。该方法提供的预测不确定性估计在网络大小几乎无增加的情况下具有一致性。预测的不确定性发现，其平均与真实沉积能量与预测能量之差一致。
引用
@article{arxiv.2510.11469,
title = {Optimised neural networks for online processing of ATLAS calorimeter data on FPGAs},
author = {Georges Aad and Raphael Bertrand and Lauri Laatu and Emmanuel Monnier and Arno Straessner and Nairit Sur and Johann C. Voigt},
journal= {arXiv preprint arXiv:2510.11469},
year = {2026}
}
备注
12 pages, 10 figures