Speaker
Description
La fisica sperimentale delle particelle necessita di un sofisticato sistema di trigger e di acquisizione dati in grado di selezionare gli eventi di potenziale interesse per gli studi di fisica. L'elaborazione eterogenea dei dati tramite schede acceleratrici FPGA ha le potenzialità di diventare la tecnologia di tendenza per la selezione di trigger per il programma di alta luminosità del Large Hadron Collider del CERN. In questo contesto si è investigato lo sviluppo di algoritmi di Machine Learning con diverse architetture per la selezione eventi di nuova fisica contenenti decadimenti nel volume dello spettrometro a muoni di particelle neutre a lunga vita media. Gli algoritmi sviluppati sono stati studiati in termini di accuratezza e di tempo di inferenza quando accelerati, tramite la piattaforma di sviluppo Vitis-AI di Xilinx, su schede FPGA. Le prestazioni del tempo di inferenza sono state confrontate inoltre con una configurazione hardware basata su CPU e GPU.
I risultati di questo lavoro mostrano come con l'impiego di tecnologie di accelerazione per i sistemi di trigger si possano migliorare significativamente la latenza e la reattività complessiva di un sistema di selezione di trigger di alto livello, se adeguatamente equipaggiata con acceleratori.
