Development of efficient muon trigger system for long-lived particles in the ATLAS experiment

• Project/Area Number: 21K03589
• Research Category: Grant-in-Aid for Scientific Research (C)
• Allocation Type: Multi-year Fund
• Section: 一般
• Review Section: Basic Section 15020:Experimental studies related to particle-, nuclear-, cosmic ray and astro-physics
• Research Institution: Shinshu University
• Principal Investigator: 長谷川 庸司 信州大学, 学術研究院理学系, 教授 (70324225)
• Project Period (FY): 2021-04-01 – 2024-03-31
• Project Status: Granted (Fiscal Year 2022)
• Budget Amount: ¥4,030,000 (Direct Cost: ¥3,100,000、Indirect Cost: ¥930,000); Fiscal Year 2023: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000); Fiscal Year 2022: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000); Fiscal Year 2021: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
• Keywords: ミューオントリガー / トリガー / 機械学習 / 素粒子物理学実験

Outline of Research at the Start

素粒子物理学における標準理論を超える新しい物理の兆候は未だ見えない。その兆候の一つと期待される長寿命の粒子を発見するには、長寿命粒子がミュー粒子に崩壊した事象を捕らえるトリガーシステムが重要である。従来のトリガーシステムでは長寿命粒子に対する検出効率が低いため、新たに導入されるミュー粒子検出器とトリガー論理回路に実装可能なトリガーシステムを機械学習を利用して開発し、実際の実験装置に実装する。長寿命の新粒子に対する検出効率が改善されることで、標準理論を超える新しい物理に対し、穴のない探索網を作ることに寄与する。

Outline of Annual Research Achievements

LHC-ATLAS実験における陽子陽子衝突で発生するミュー粒子をミュー粒子トリガー検出器を用いて通過位置を検出し，その情報を用いて事象選択を行うトリガーアルゴリズムの開発を行う。従来のトリガーアルゴリズムでは選択することができない事象，特に，標準模型を超える物理に現れる，陽子陽子衝突点から離れた位置で崩壊する長寿命粒子が発生した事象を，その離れた崩壊点で発生するミュー粒子を検出できるようにすることで，事象選択のトリガー効率の向上を目的としている。
従来のアルゴリズムでは，衝突点由来の粒子と長寿命由来の粒子を使ってトリガーするには，計算機資源（リソース）が大きくなる欠点があるが，機械学習を用いると，それらの事象の両方を一つの機械学習で取り扱うことができるようになり，限られた計算機資源で高効率の事象選択トリガーが実現できる可能性がある。
今年度は，Convolutional Neural NetworkとGraph Neural networkを用いた機械学習モデルを作成し，FPGAに導入した場合のリソース使用量とトリガー効率の関係をを調べた。トリガー効率を上げるためにはリソースの使用量が多くなり，機械学習モデルがFPGAに載らなくなる可能性がある。そのため，FPGAによるプログラマブルロジック(PL)だけでなく，プロセッシングユニット(PU)を用いて，入力データを前処理することにより，PLのリソース使用量の削減を試みた。前処理としてカルマンフィルタを試しており，現状ではPUでは行わず，外部の計算機で同様の処理を行っている。この手法により，PLのリソース使用量を減らしても，機械学習モデルを全てPLに載せた場合と同等の性能を得られる可能性があることがわかった。

Current Status of Research Progress

3: Progress in research has been slightly delayed.

Reason

陽子陽子衝突で発生したZ粒子が2つのミュー粒子に崩壊した事象をシミュレーションにより生成し，機械学習モデルの性能評価に用いた。さらに，単一のミュー粒子を衝突点から離れた，カロリメータの位置で生成し，ミューオン検出器に入射した。機械学習モデルへ
の入力はミュー粒子が7層あるミュー粒子検出器に残したヒット位置情報（η，φ）を用いた。
機械学習のモデルにはトリガー性能を上げる可能性が高いGraph Neural Network(GNN)を用いている。GNNへの入力データの前処理には，カルマンフィルタを用いた。実際のヒット位置情報から，カルマンフィルタによりスムージングで求めたヒット位置情報に変換し，機械学習のパラメータを調整することでリソース使用量の削減を試みている。前処理で作成した機械学習モデルへの入力データの調整や，機械学習のパラメータの調整を行うことで，性能を落とさずによりリソースを減らすことを試みている。

Strategy for Future Research Activity

これまでは，作成した機械学習モデルをFPGAのシミュレーション上で評価していたが，ハードウェアに書き込んで評価を行う。テストボードについては，研究室が所有しているXilinx Alveo U250を用いて行うが，実際にLHC-ATLAS実験で用いられるFPGAと同等のもの（Xilinx Versalを搭載したテストボード）を購入し，実装後の性能評価を行う予定である。また, FPGAの代わりに，同じ機械学習モデルを用いて，機械学習と親和性が高いGPUを用いた場合のトリガー性能を比較する。

Research Products

• [Int'l Joint Research] 欧州合同原子核研究機関(スイス)