Clustering hits and predictions in data from TimePix3 detectors

Abstract

Hybrid pixel detectors like Timepix3 and Timepix4 detect individual pixels hit by particles. For further analysis, individual hits from such sensors need to be grouped into spatially and temporally coinciding groups called clusters. While state-of-the-art Timepix3 detectors generate up to 80 Mio hits per second, the next generation, Timepix4, will provide data rates of up to 640 Mio hits, which is far beyond the current capabilities of the real-time clustering algorithms, processing at roughly 3 MHits/s. We explore the options for accelerating the clustering process, focusing on its real-time application. We developed a tool that utilizes multicore CPUs to speed up the clustering. Despite the interdependence of different data subsets, we achieve a speed-up scaling with the number of used cores. Further, we exploited options to reduce the computational demands of the clustering by determining radiation field parameters from raw (unclustered) data features and automatically initiating further clustering if these data show signs of interesting events. This further accelerates the clustering while also reducing storage space requirements. The proposed methods were validated and benchmarked using real-world and simulated datasets.

Hybridné pixelové detektory ako Timepix3 a Timepix4 zaznamenávajú elementárne častice pomocou pixelov, ktoré generujú takzvané "hity". Pre ďalšiu analýzu je potrebné zoskupiť jednotlivé hity do priestorovo a časovo koincidujúcich skupín, nazývaných aj klastre. Zatiaľ čo detektory Timepix3 dokážu generovať až 80 miliónov hitov za sekundu, ďalšia generácia Timepix4 poskytne až 640 miliónov hitov za sekundu, čo je ďaleko nad súčasnou kapacitou algoritmov klastrovania v reálnom čase, ktoré spracovávajú približne 3 milióny hitov za sekundu. V našej práci skúmame možnosti zrýchlenia procesu klastrovania so zameraním na jeho aplikáciu v reálnom čase. Vyvinuli sme nástroj, ktorý využíva viacjadrové CPU na zrýchlenie klastrovania. Napriek neusporiadanosti a vzájomnej časovej závislosti hitov dosahujeme zrýchlenie, ktoré rastie s počtom použitých jadier. Okrem toho sme využili možnosti znížiť výpočtové nároky klastrovania tým, že určíme parametre radiačného poľa z neklastrovaných údajov a iniciujeme klastrovanie, ak tieto parametre preukazujú znaky zaujímavých udalostí. Toto ďalšie zrýchlenie klastrovania zároveň znižuje požiadavky na ukladací priestor. Navrhované metódy boli overené a porovnané pomocou reálnych a simulovaných dát.