Real-Time Trigger and online Data Reduction based on Machine Learning Methods for Particle Detector Technology

Moderne Teilchenbeschleuniger-Experimente generieren während zur Laufzeit immense Datenmengen. Die gesamte erzeugte Datenmenge abzuspeichern, überschreitet hierbei schnell das verfügbare Budget für die Infrastruktur zur Datenauslese. Dieses Problem wird üblicherweise durch eine Kombination von Trigger- und Datenreduktionsmechanismen adressiert. Beide Mechanismen werden dabei so nahe wie möglich an den Detektoren platziert um die gewünschte Reduktion der ausgehenden Datenraten so frühzeitig wie möglich zu ermöglichen. In solchen Systeme traditionell genutzte Verfahren haben währenddessen ihre Mühe damit eine effiziente Reduktion in modernen Experimenten zu erzielen. ... mehrDie Gründe dafür liegen zum Teil in den komplexen Verteilungen der auftretenden Untergrund Ereignissen. Diese Situation wird bei der Entwicklung der Detektorauslese durch die vorab unbekannten Eigenschaften des Beschleunigers und Detektors während des Betriebs unter hoher Luminosität verstärkt. Aus diesem Grund wird eine robuste und flexible algorithmische Alternative benötigt, welche von Verfahren aus dem maschinellen Lernen bereitgestellt werden kann. Da solche Trigger- und Datenreduktion-Systeme unter erschwerten Bedingungen wie engem Latenz-Budget, einer großen Anzahl zu nutzender Verbindungen zur Datenübertragung und allgemeinen Echtzeitanforderungen betrieben werden müssen, werden oft FPGAs als technologische Basis für die Umsetzung genutzt. Innerhalb dieser Arbeit wurden mehrere Ansätze auf Basis von FPGAs entwickelt und umgesetzt, welche die vorherrschenden Problemstellungen für das Belle II Experiment adressieren. Diese Ansätze werden über diese Arbeit hinweg vorgestellt und diskutiert werden.

Modern particle accelerator experiments are producing immense amounts of data online during their operation. Storing the entire amount of generated data is quickly exceeding reasonable budgets for the data readout infrastructure. This problem is traditionally addressed by using a combination of trigger and data reduction mechanisms that are located close to the respective detectors to facilitate a reduction of the data rates as early in the process as possible. Meanwhile, traditional approaches to these systems are struggling with achieving an efficient reduction for modern experiments such as Belle II. ... mehrThe reason for this lies in the complex observed distributions of background, or unwanted, events. This situation is enhanced by the unknown characteristics of both the accelerator and detector before reaching high luminosity operation. A robust and flexible algorithmic alternative is thus required to address this problem. This can be provided by using an approach based on machine learning. Since such trigger and data reduction systems are operated under tight constraints such as small latency budgets, a high number of required data transmission connections and general real-time processing, \ac{FPGA}s are used as a technological basis for the implementation. Within this thesis, several approaches based on machine learning methods were developed for \ac{FPGA}s to fulfil the challenges present at the Belle II experiment. These systems are presented and discussed throughout this thesis.