초록 ▼

연구개요
이 연구의 목표는 고 에너지 입자물리 실험에서 사용되는 뮤온 트리거링 시스템(muon triggering system)을 머신 러닝에 기반한 하드웨어로 개발하는 것이다. 대부분의 실험에서 통용되는 1 단계 트리거링 시스템에는 FPGA (field-programmable gate array)에 기반을 둔 주문 제작형 하드웨어 솔루션이 사용된다. 최근 FPGA를 사용하는 대부분의 대형 IT 업계의 회사들이 이러한 연구에 매우 주목하고있다. 1단계 트리거는 수 마이크로초 내에 의사결정을 할 필요가 있는데 FPGA는 매우

연구개요
이 연구의 목표는 고 에너지 입자물리 실험에서 사용되는 뮤온 트리거링 시스템(muon triggering system)을 머신 러닝에 기반한 하드웨어로 개발하는 것이다. 대부분의 실험에서 통용되는 1 단계 트리거링 시스템에는 FPGA (field-programmable gate array)에 기반을 둔 주문 제작형 하드웨어 솔루션이 사용된다. 최근 FPGA를 사용하는 대부분의 대형 IT 업계의 회사들이 이러한 연구에 매우 주목하고있다. 1단계 트리거는 수 마이크로초 내에 의사결정을 할 필요가 있는데 FPGA는 매우 빠른 속도의 입출력 대역폭을 가지고 있어 이러한 작업에 이상적이다. 우리는 6개의 검출 레이어로 구성된 뮤온 검출 챔버(muon detector chamber)로 부터 빠르게 세그먼트(segment)를 구성하기 위해 현대의 딥 러닝 모델을 사용한 뮤온 트리거를 개발할 계획이다. 그 다음 우리는 오프라인 분석과 비교하여 실제 데이터에 대한 성능 측정을 위해 보유중인 우주선 뮤온 검출기(cosmic muon stand)에서 제작된 FPGA를 테스트 할 것이다. 뮤온 시스템은 일반적으로 여러 챔버들을 가지고 우리는 그 챔버들을 각각의 FPGA에 연결할 것이다. 그 다음 모든 FPGA의 출력을 마지막 FPGA에 입력하여 전체 뮤온 트랙(muon track)을 재구성할 것이다. 이 완성된 뮤온 트랙은 최종 의사 결정을 하기 위해 사용되는 트리거 객체로서 딥 러닝 모델은 마이크로 초보다 낮은 호출 시간(latency)을 유지하도록 최적화될 필요가 있다.

연구 목표대비 연구결과
연구의 기초적 단계로, 우리는 6개의 GEM 검출기로 구성된 뮤온 검출기의 뮤온 입자에 대한 반응을 성공적으로 시뮬레이션하였다. 이 데이터를 이용하여 합성곱신경망(CNN)을 훈련시켰고, 뮤온 세그먼트를 딥러닝 방법으로 재구성하는 목표를 달성하였다. 딥러닝에서 학습 불가능한 초모수(hyperparameter)를 찾기 위해서, AutoML 소프트웨어인 Optuna를 사용하여 최적의 초모수 탐색을 수행했다. 최적의 초모수를 이용하여 우리는 최대 성능의 재구성 모델을 얻을 수 있었고, 마이크로 초 추론을 위해 FPGA 가속 추론을 제시한다. 이 때, FPGA에서의 효율적 추론을 위해, 모델의 비트수를 줄이는 양자화(quantization)와 비효율적인 부분을 제거하는 가지치기(pruning)을 수행하였다. 이렇게 후처리된 딥러닝 모델을 Xilinx 사의 Vitis-AI 프로그램으로 FPGA에서 추론하는 데에 성공하였다. GPU에서의 처리속도와 비교하였을 때, FPGA에서 약 10 배의 빠른 처리 속도를 측정하였고, 하드웨어 가속기로서의 FPGA의 높은 성능을 확인할 수 있었다. 뿐만 아니라, 우리는 CMS의 ME0 뮤온 검출기 상황에서 딥러닝 모델을 훈련하였고, 딥러닝 모델의 추론은 기존 알고리즘과 비교해서 동일한 efficiency에서 낮은 fake rate를 달성하였다. 마지막으로, 따로 구비된 6개의 우주선 검출기에서 그래프 기반 신경망(GNN) 트리거를 구현하여 FPGA에 컴파일하는 것 까지 성공하였으나, DAQ 소프트웨어 개발의 지연으로 실제 데이터에 대해 세그먼트 재구성을 수행하지는 못하였다.

연구개발성과의 활용 계획 및 기대효과(연구개발결과의 중요성)
뮤온 입자 트리거는 강입자 충돌기 실험에서 아주 중요한 역할을 한다. 따라서 향상된 뮤온 트리거링 성능은 LHC (Large Hadron Collider) 실험의 잠재력을 키울 수 있다. 딥 러닝 기반 뮤온 입자 트랙 세그먼트 재구성 알고리즘은 실시간 트리거링 뿐만 아니라 오프라인 데이터 분석에도 적용되어 그 성능을 향상시킬 것이다. 또한, 본 연구진이 보유한 기술력은 타우 입자가 세 개의 뮤온들로 붕괴하는 새로운 물리 현상 관측 실험을 위한 트리거 구현에 적용될 것이다. CMS 실험의 ME0 L1 트리거 개발 참여는 본 연구의 결과를 실증할 수 있고 실험단에 공헌하는 중요한 기회가 될 것이다.

(출처 : 연구결과 요약문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 4
• 2. 연구개발과제의 수행 과정 및 수행 내용 ... 4
• 3. 연구개발과제의 수행 결과 및 목표 달성 수준 ... 7
• 1) 정성적 연구개발성과(연구개발결과) ... 7
• 2) 세부 정량적 연구개발성과 ... 13
• 3) 목표 달성 수준 ... 13
• 4) 목표 미달 시 원인 분석 ... 14
• 4. 연구개발성과의 관련 분야에 대한 기여 정도(연구개발결과의 중요성) ... 14
• 5. 연구개발성과의 관리 및 활용 계획 ... 15
• 6. 자체점검표 ... 15
• 7. 참고문헌 ... 16
• 붙임1. 세부 정량적 연구개발성과 ... 17
• 붙임2. 연구책임자 대표적 연구실적 및 증빙(요약문 및 사본) ... 25
• 끝페이지 ... 38