Im Jahr 2026 beginnt im Rahmen der Phase-II Erweiterung der Ausbau des Large Hadron Colliders, damit dieser zukünftig mit dem bis zu 7.5-fachen seiner nominellen Luminosität betrieben werden kann. Der Beginn der Datenaufnahme für den sogenannten High-Luminosity Large Hadron Collider ist für 2029 vorgesehen. Durch die Erweiterung wird eine wesentliche Zunahme der Kollisionsrate und damit der Kollisionsdaten erwartet, welche die heutige Auffassung von Theorien jenseits des Standardmodells der Teilchenphysik verbessern wird. Zusammen mit der Steigerung interessanter Ereignisse werden jedoch auch Proton-Proton-Kollisionen mit meist niederenergetischen hadronischen Teilchen im Endzustand und damit Signalüberlappungen zunehmen. Am ATLAS-Experiment führt dies zu höheren Anforderungen an die Detektorelektronik und die Echtzeit-Datenverarbeitung. Für die Flüssig-Argon-Kalorimeter ist ein Austausch der gesamten Elektronik vorgesehen. Studien konnten zeigen, dass der Optimalfilter, der derzeit zur Energierekonstruktion eingesetzt wird, einen erheblichen Leistungsabfall verzeichnen wird. Eine zuverlässige Energieinformation ist jedoch essentiell, insbesondere auch für das Triggersystem.
Im Rahmen dieser Arbeit wurden sogenannte Faltungsnetzwerke für die Rekonstruktion von Energiedepositionen in Flüssig-Argon-Kalorimeterzellen entwickelt. Da diese auf Field Programmable Gate Arrays (FPGAs) mit strengen Ressourcenbeschränkungen implementiert werden sollen, müssen diese nicht nur eine hohe Rekonstruktionsgenauigkeit zeigen, sondern auch einen geringen Ressourcenverbrauch haben. Eine Hyperparametersuche wird präsentiert, die das Bestimmen geeigneter Netzwerkarchitekturen ermöglicht. Für das Trainieren und Testen von Faltungsnetzwerken wurden Daten mit realistischen Signalszenarien anhand der AREUS-Simulationssoftware generiert. Die verschiedenartigen Signalbedingungen und Leistungsanforderungen machen eine umfassende Untersuchung des Energierekonstruktionsalgorithmus erforderlich. Die Reproduzierbarkeit der Trainingsergebnisse der Faltungsnetzwerke stellt eine weitere Anwendungsvoraussetzung dar. Infolgedessen beschreibt diese Arbeit ein umfangreiches Qualifizierungsprozedere, welches für jedweden Energierekonstruktionsalgorithmus angewandt werden kann.
Die präsentierten Faltungsnetzwerke erfüllen die FPGA Ressourcenbeschränkungen und zeigen darüber hinaus essentielle Leistungsverbesserungen gegenüber dem Optimalfilter. Das Faltungsnetz mit der besten Leistung besteht aus zwei Schichten und nutzt Dilatation, um den einfließenden Signalbereich auszudehnen. Dies erlaubt dem Netzwerk, mehr Informationen von vergangenen Signalereignissen zu erhalten, während gleichzeitig die Zahl der Netzwerkparameter niedrig gehalten wird. Es wird gezeigt, dass das zweischichtige Faltungsnetzwerk Verbesserungen hinsichtlich Signaleffizienz und Energieauflösung, insbesondere für überlappende Signale, liefert. Des Weiteren wird die Robustheit gegenüber variierenden Signalankunftszeiten und sich verändernden Untergrundbedingungen vorgestellt, sowie die Erfüllung der Trainingsreproduzierbarkeit demonstriert.
Zusammengefasst beschreibt diese Arbeit die systematische Entwicklung und Erprobung von Faltungsnetzwerken für die Energierekonstruktion von Flüssig-Argon-Kalorimetersignalen am ATLAS-Detektor. In diesem Rahmen wurden allgemeine Qualifizierungskriterien erarbeitet, die das Potential der Faltungsnetzwerke gegenüber der aktuellen Methode, dem Optimalfilter, aufzeigen. / In 2026, the expansion of the Large Hadron Collider will begin as part of the Phase II extension so that it can be operated at up to 7.5 times its nominal luminosity in future. The start of data acquisition for the so-called High-Luminosity Large Hadron Collider is scheduled for 2029. The expansion is expected to significantly increase the collision rate and thus the collision data, which will improve the current understanding of theories beyond the standard model of particle physics. However, together with the increase in interesting events, proton-proton collisions with mostly low-energy hadronic particles in the final state and thus signal overlaps will also increase. At the ATLAS experiment, this will lead to higher demands on the detector electronics and real-time data processing. The entire electronics for the liquid argon calorimeters will be replaced. Studies have shown that the optimal filter, which is currently used for energy reconstruction, will experience a considerable drop in performance. However, reliable energy information is essential, especially for the trigger system.
As part of this work, so-called convolutional networks were developed for the reconstruction of energy depositions in liquid argon calorimeter cells. Since these are to be implemented on field programmable gate arrays (FPGAs) with strict resource constraints, they must not only show a high reconstruction accuracy but also have a low resource consumption. A hyperparameter search is presented, which enables the determination of suitable network architectures. For the training and testing of convolutional networks, data with realistic signal scenarios were generated using the AREUS simulation software. The different signal conditions and performance requirements necessitate a comprehensive investigation of the energy reconstruction algorithm. The reproducibility of the training results of the convolutional networks is a further application requirement. Consequently, this thesis describes a comprehensive qualification procedure that can be applied to any energy reconstruction algorithm.
| Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:91831 |
| Date | 06 June 2024 |
| Creators | Berthold, Anne-Sophie |
| Contributors | Straessner, Arno, Lefebvre, Michel, Technische Universität Dresden |
| Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
| Language | English |
| Detected Language | German |
| Type | info:eu-repo/semantics/publishedVersion, doc-type:doctoralThesis, info:eu-repo/semantics/doctoralThesis, doc-type:Text |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.003 seconds