LHC를 위한 자율 트리거 시스템: 실시간 적응형 응답

Towards a Self-Driving Trigger at the LHC: Adaptive Response in Real Time

대규모 입자 가속기(LHC) 실험과 같은 고처리량 과학 시설에서 실시간 데이터 필터링 및 선택, 즉 트리거 시스템은 매우 높은 데이터 스트림을 처리해야 하며, 이때 대역폭, 지연 시간 및 저장 용량에 대한 엄격한 제약 조건이 존재합니다. 그러나 이러한 시스템은 일반적으로 사전 지식과 시뮬레이션을 기반으로 하는 정적이고 수동으로 조정된 선택 기준 목록으로 설계됩니다. 본 연구에서는 자율 트리거 시스템의 개념을 더욱 발전시켜, 장비 및 환경 조건이 변화함에 따라 신호 효율성, 데이터 수율 안정성 및 계산 비용을 최적화하기 위해 자원을 재분배하고 임계값을 실시간으로 조정하는 자율 데이터 필터링 프레임워크를 제시합니다. 실제 충돌 시나리오를 에뮬레이션하기 위한 벤치마크 환경을 구축하고, 표준 에너지 합 트리거뿐만 아니라 기계 학습을 사용하여 비정규 이벤트 구조를 타겟으로 하는 최신 이상 탐지 알고리즘을 포함하는 트리거 목록의 실시간 최적화를 시연합니다. 시뮬레이션된 데이터 스트림과 Compact Muon Solenoid (CMS) 실험에서 얻은 공개 충돌 데이터를 사용하여, 특정 비용 목표 하에서 수동 조정 없이 트리거 성능을 동적으로 자동으로 최적화할 수 있음을 입증합니다. 이러한 적응형 전략은 트리거 설계를 휴리스틱 기반의 정적 메뉴에서 지능적이고 자동화된 데이터 기반 제어로 전환하여, 향후 고에너지 물리학 분석에서 더 큰 유연성과 발견 가능성을 제공합니다.

Real-time data filtering and selection -- or trigger -- systems at high-throughput scientific facilities such as the experiments at the Large Hadron Collider (LHC) must process extremely high-rate data streams under stringent bandwidth, latency, and storage constraints. Yet these systems are typically designed as static, hand-tuned menus of selection criteria grounded in prior knowledge and simulation. In this work, we further explore the concept of a self-driving trigger, an autonomous data-filtering framework that reallocates resources and adjusts thresholds dynamically in real-time to optimize signal efficiency, rate stability, and computational cost as instrumentation and environmental conditions evolve. We introduce a benchmark ecosystem to emulate realistic collider scenarios and demonstrate real-time optimization of a menu including canonical energy sum triggers as well as modern anomaly-detection algorithms that target non-standard event topologies using machine learning. Using simulated data streams and publicly available collision data from the Compact Muon Solenoid (CMS) experiment, we demonstrate the capability to dynamically and automatically optimize trigger performance under specific cost objectives without manual retuning. Our adaptive strategy shifts trigger design from static menus with heuristic tuning to intelligent, automated, data-driven control, unlocking greater flexibility and discovery potential in future high-energy physics analyses.