Zpracování dat z částicových detektorů na moderních grafických platformách

Bc. Guillian JACQUOT

Diplomová práce

Processing of data from pixelated detectors using modern graphical platforms

Anotace:

Práce se zabývá zpracováním výstupních dat z hybridních pixelových detektorů pro experimenty v částicové fyzice, konkrétně dat naměřených detektory Timepix3 a Timepix4. Cílem této práce je prozkoumat problematiku náročnosti výpočetního výkonu při analýze dat, objemu datových toků při měření, optimalizace paralelním zpracováváním na grafických procesorech (GPU) a zhodnocení real-time zpracovávání (při probíhajícím experimentu) pro minimalizaci zmíněných datových toků. V rámci řešení byly navrhnuty a implementovány způsoby paralelizace algoritmů používaných při analýze naměřených dat (clustering a klasifikace clusterů). Tyto algoritmy byly optimalizovány pro běh na GPU s využitím architektury Nvidia CUDA. Původní algoritmy a jejich paralelizované verze byly použity na reálných datech, přičemž bylo dosaženo výrazného zrychlení zpracování oproti klasickému sekvenčnímu přístupu (jedno vlákno CPU). Dále byla provedena analýza vhodnosti navržených metod pro použití v reálném čase v měřicím řetězci. Výsledky práce potvrzují, že paralelní zpracování na GPU představuje efektivní přístup ke zrychlení analýzy dat z hybridních pixelových detektorů a že za určitých podmínek je možné uvažovat i o jeho zapojení do real-time řetězce během samotného experimentu.

Abstract:

This thesis focuses on processing output data from hybrid pixel detectors used in particle physics experiments, specifically data measured using Timepix3 and Timepix4 detectors. The aim is to explore the challenges related to computational demands during data analysis, the volume of data streams produced during measurements, the potential for optimization through parallel processing on graphics processing units (GPUs), and to assess the feasibility of real-time data processing during experiments in order to reduce the overall data throughput. As part of the work, methods for parallelizing algorithms commonly used in the analysis of measured data (clustering and cluster classification) were proposed and implemented. These algorithms were optimized to run on GPUs using the Nvidia CUDA architecture. Both the original and the parallelized versions were tested on real experimental data showing a significant acceleration in processing speed compared to traditional sequential (single CPU thread) approaches. Additionally, the suitability of the proposed methods for use in real-time data acquisition chains was evaluated. The results confirm that GPU-based parallel processing offers an effective way to accelerate the analysis of hybrid pixel detector data, and that under certain conditions, integrating these methods into a real-time processing chain during active experiments can be realistically considered.

Klíčová slova

Timepix, Medipix, Hybridní pixelové detektory, Software, Grafický procesor, GPU, Analýza digitálních dat, Paralelizace, Paralelní výpočty, Clusterování, Klastrování, Klasifikace, CUDA, Programování, C++

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 29. 5. 2025

Zveřejnit od: 31. 12. 2999

Obhajoba závěrečné práce

• Vedoucí: Ing. Ondřej Urban

ZÁPADOČESKÁ UNIVERZITA V PLZNI

Fakulta elektrotechnická

Magisterský studijní program / obor:
Elektronika a informační technologie / Informační a komunikační technologie