Speaker
耀忠 陈
(华中师范大学粒子研究所)
Description
在大型高能核物理实验中，探测器通常具有庞大的通道数和海量的原始数据。目前运行的大多数实验通常将部分探测器通道数据实时读出与在线处理，基于物理需求产生触发信号，进而完成对整个探测器完整事例数据的读出。以sPHENIX实验为例，其总体目标是研究RHIC能区产生的夸克-胶子等离子体（QGP）性质，其中重味物理（粲、底夸克）测量为其关键科学目标之一。然而，受限于外部量能器15kHz的读出速率及数据获取系统的带宽瓶颈，实验仅能采集约0.5%的重味事例数据。
为此，本文针对sPHENIX实验重味夸克读出需求，设计了融合机器学习的触发算法，并部署于FPGA以满足10us触发延时需求。该算法基于硅径迹探测器（MVTX, INTT）的无触发流读出数据，采用两阶段架构：第一阶段融合探测器几何约束和粒子运动学特征实现聚类与径迹重建；第二阶段通过池化和多层感知器模型实现事例鉴别。基于200 GeV质子-质子碰撞模拟事例数据验证，该算法对于底夸克的鉴别效率达98.0%。FPGA部署阶段通过并行计算、量化压缩、流水线优化和权重融合的DSP资源复用等技术，实现径迹重建阶段95.6%事例的处理延时低于1.5us以及事例鉴别阶段94.5%事件的处理延时低于8.5us，满足sPHENIX对实时触发的延时约束。
