Calorimeter Reconstruction Innovations for the LHCb Experiment

Abstract

Aquesta tesi se centra en contribucions de software per l'experiment LHCb al CERN, específicament pel sistema de calorímetres en el context de l'anomenat Upgrade I. Les contribucions principals se centren en l'estudi d'algoritmes alternatius per la reconstrucció de dades del calorímetre d'LHCb. En el primer enfocament, s'utilitza una tècnica d'aprenentatge profund segmentat, basada en descompondre el problema de reconstrucció en passos que són apresos per xarxes neuronals convolucionals petites. Tot i que els resultats són prometedors, el mètode manca d'un motor d'inferència eficient dins del marc de software d'LHCb. En el segon enfocament, es presenta un algoritme de reconstrucció basat en grafs, que presenta una resolució dels clústers reconstruits equivalent al mètode usat a l'expeiment però amb una eficiència més alta i un temps d'execució significativament millorat. Aquesta proposta ha passat a ser la solució predeterminada per la reconstrucció del calorímetre durant el període de presa de dades actual anomenat Run 3. A més a més, aquesta tesis també inclou una primera proposta per millorar l'algoritme actual de reconstrucció del calorímetre en el marc del sistema de trigger en GPU, anomenat Allen, mentres que les dues propostes anteriors estan dissenyats per la seqüència de reconstrucció del trigger en CPU, anomenat HLT2.

D'altra banda, la tesi aborda part de la posada en marxa del calorímetre pel Run 3, detallant la tasca de time alignment per al calorímetre Electromagnètic i l'Hadrònic. El que implica l'adaptació del mètode utilitzat anteriorment a la nova electrònica, la recopilació i l'anàlisi de dades, i donar un alineament temporal als aproximadament 10,000 canals dels calorímetres amb una precisió d'1 ns.

Esta tesis se centra en contribuciones de software para el experimento LHCb en el CERN, específicamente para el sistema de calorímetros en el contexto del llamado Upgrade I. Las contribuciones principales se centran en el estudio de algoritmos alternativos para la reconstrucción de datos de los calorímetros. El primer enfoque utiliza una técnica de aprendizaje profundo segmentado, descomponiendo el problema de reconstrucción en pasos que son aprendidos por pequeñas redes neuronales convolucionales. Aunque los resultados son prometedores, el método carecía de un motor de inferencia eficiente dentro del marco de software de LHCb. El segundo enfoque presenta un algoritmo de reconstrucción basado en grafos, con una resolución de los clústeres reconstruidos equivalente al método existente en LHCb, pero con una mayor eficiencia y un tiempo de ejecución significativamente mejorado. Esta propuesta ha pasado a ser la solución predeterminada para la reconstrucción del calorímetro durante el período de toma de datos actual llamado Run 3. Además, esta tesis también incluye una primera propuesta para mejorar el algoritmo actual de reconstrucción del calorímetro en el marco del sistema de trigger en GPU, llamado Allen, mientras que los dos enfoques anteriores están diseñados para la secuencia de reconstrucción del trigger en CPU, llamado HLT2.

Por otro lado, la tesis aborda parte de la puesta en marcha de los calorímetros para el Run 3, detallando la tarea de time alignment para los calorímetros Electromagnético y Hadrónico. Esto implica la adaptación del método anterior a la nueva electrónica, la recopilación y el análisis de datos, y hacer la alineación temporal de los aproximadamente 10,000 canales de los calorímetros con una precisión de 1 ns.

This thesis focuses on software contributions to the LHCb experiment at CERN, specifically for the Calorimeter system in LHCb Upgrade I context. The main contributions concern the study of alternative algorithms for calorimeter data reconstruction. The first approach employs a segmented deep learning technique, breaking down the reconstruction problem into steps learned by small convolutional neural networks. Although promising, it lacked an efficient inference engine inside the LHCb framework. The second approach presents a graph-based clustering algorithm, showing equivalent cluster resolution to the LHCb's existing method, but with higher efficiency and significantly improved execution time, which is now the default solution for calorimeter reconstruction in the Run 3 period. This work also comprises a first approach to improve the current calorimeter reconstruction algorithm in the GPU Allen framework for HLT1, while the other approaches aim to the CPU reconstruction sequence in HLT2.

Additionally, the thesis addresses part of the calorimeter commissioning for Run 3, detailing the time alignment task for the Electromagnetic and Hadronic calorimeters. This involves the adaptation of the previous method to new electronics, gathering and analyzing data, and providing fine time alignment for the around 10,000 calorimeter channels within 1 ns precision.