Muon Time-of-Passage Estimation for Standalone MDT Trigger

Abstract

The Large Hadron Collider (LHC) at CERN uses Monitored Drift Tube (MDT) cham- bers to reconstruct muon trajectory and momentum. As part of a HL-LHC upgrade, raw MDT data will be integrated into a new Level-0 muon trigger system to improve its robustness. The trigger requires accurate muon time-of-passage estimation under se- vere background noise while operating within a strict sub-microsecond budget on FPGA hardware. This thesis evaluates multiple machine learning models for this task, includ- ing convolutional and graph neural networks, and a novel Line Graph Neural Network (LGNN). The LGNN reduces computational complexity and enables efficient FPGA im- plementation. A hardware-aware hyperparameter optimization pipeline is also developed to explore design constraints and select models that maximize efficiency without compro- mising predictive performance.

Velký hadronový urychlovač (LHC) v CERNu využívá komory s monitorovanými drif- tovými trubicemi (MDT) k rekonstrukci trajektorie a hybnosti mionů. V rámci moderni- zace urychlovače na HL-LHC budou data z MDT nově integrována do systému mionového triggeru, aby se zvýšila jeho robustnost. Tento nový systém vyžaduje přesný algoritmus, který v prostředí se šumem zvládne určit čas průletu mionu MDT detektorem. Algorit- mus musí být implementovatelný na FPGA hardwaru a musí splňovat submikrosekundové výpočetní limity. Za tímto účelem práce navrhuje a vyhodnocuje několik modelů strojo- vého učení, včetně konvolučních a grafových neuronových sítí a nové line-graf neuronové sítě, která snižuje celkovou výpočetní složitost a umožňuje efektivní implementaci na FPGA. Dále je vyvinuta procedura pro optimalizaci hyperparametrů, která zohledňuje hardwarové nároky modelů a umožňuje vybírat z architektur maximalizujících efektivitu a přesnost odhadu času průletu.