A Fast AI-Based Track Reconstruction on FPGA for the PANDA Experiment

by Greta Heine

Thursday Nov 3, 2022, 2:00 PM → 2:45 PM Europe/Berlin

https://kit-lecture.zoom.us/j/68024745969?pwd=K0FYejQzek8raGhXb1FlM28wQmcyUT09 (Zoom)

Lecture to the master thesis from Greta Heine on the Topic: A Fast AI-Based Track Reconstruction on FPGA for the PANDA Experiment

Efficient reconstruction of charged particle trajectories is a crucial yet very difficult step in the analysis pipeline of high energy physics (HEP) experiments. Recent work has shown that graph neural networks (GNNs) are well suited for the pattern recognition task of track finding, where tracking detector hits can be naturally represented as nodes and particle track segments as edges. The interaction network (IN) GNN architecture provides computationally efficient edge classification of the high-dimensional and sparse tracker data, which is especially crucial for implementation in constrained computing environments such as field programmable gate arrays (FPGAs). This work describes the overall workflow for implementing and systematically analyzing an IN-based classification of track segments on FPGAs for the anti-Proton Annihilation at DArmstadt (PANDA) forward tracking system (FTS). This workflow includes data preprocessing, graph building, GNN-based edge classification and a series of FPGA implementation design studies concerning latency, resource utilization, and classification quality using the high-level synthesis for machine learning (hls4ml) compiler. The presented final implementation of the GNN-based track segment classifier on a Xilinx Zynq provides an overall inference latency of about 0.99 μs using about 34 % of available digital signal processors (DSPs) and 85 % of available lookup tables (LUTs). This work enables the acceleration of charged particle tracking on heterogeneous computational resources toward real-time track reconstruction for the PANDA experiment. The discussed methods and studies could be easily adapted and used in other HEP experiments for accelerated charged particle tracking.

Lecture language: English

 

---

Vortrag zur Masterarbeit von Greta Heine zum Thema: Eine Schnelle AI-Basierte Track-Rekonstruktion auf FPGA für das PANDA-Experiment

Die effiziente Rekonstruktion von Trajektorien geladener Teilchen ist ein entscheidender, aber sehr schwieriger Schritt in der Analyse-Pipeline von Hochenergiephysik Experimenten (HEP). Studien der vergangenen Jahre haben gezeigt, dass sich graphbasierte neuronale Netze (GNNs) gut für die Mustererkennungsaufgabe der Spurensuche eignen, bei welcher die Treffer in den Spurendetektoren als Knoten und die Segmente der Teilchenspuren als Kanten dargestellt werden können. Die IN-Architektur bietet eine effiziente Kantenklassifizierung der hochdimensionalen Tracker-Daten bei geringer Trefferdichte, was insbesondere für die Implementierung in eingeschränkten Rechenumgebungen wie bei FPGAs entscheidend ist. Diese Arbeit beschreibt den gesamten Arbeitsablauf für die Implementierung und systematische Analyse einer IN-basierten Klassifizierung von Spur-Segmenten auf FPGAs für PANDA Vorwärtsspurdetektor Daten. Dieser Arbeitsablauf umfasst die Datenvorverarbeitung, die Graphenerstellung, die GNN-basierte Kantenklassifizierung und eine Reihe von Design Studien zur FPGA-Implementierung im Hinblick auf Latenz und Durchsatz, Ressourcennutzung, sowie Klassifizierungsqualität unter Verwendung des hls4ml-Compilers. Die vorgestellte finale Implementierung des GNN-basierten Spur-Segment Klassifizierungs-Algorithmus auf einem Xilinx Zynq UltraScale+TMMPSoC FPGA bietet eine Gesamtinferenzlatenz von etwa 0.99 μs unter Ver- wendung von etwa 34 % der verfügbaren DSPs und 85 % der verfügbaren LUTs. Diese Arbeit ermöglicht die Beschleunigung der Spur-Rekonstruktion geladener Teilchen auf heterogenen Rechenressourcen hin zu einer Echtzeit-Spur-Rekonstruktion für das PANDA- Experiment. Die diskutierten Methoden und Studien könnten leicht angepasst und für andere HEP-Experimente zur beschleunigten Rekonstruktion geladener Teilchen adaptiert werden.

Vortragssprache: Englisch

 

GretaHeine_Thesis_Talk_Nov22.pdf