FASTER
Autonome Experimente an Synchrotron- und Neutronenanlagen sollen die Entdeckung von Werkstoffen beschleunigen und das Verständnis komplexer Phänomene vertiefen, indem sie den Kreislauf zwischen Messung und Entscheidungsfindung schließen und eine intelligente Erkundung von experimentellen Parameterräumen in Echtzeit ermöglichen. Dies erfordert robuste, adaptive Algorithmen, die eingehende Daten sofort interpretieren, Unsicherheiten quantifizieren und die nächsten experimentellen Einstellungen auswählen können, um den Informationsgewinn unter praktischen Einschränkungen zu maximieren. Klassische Analysemethoden - wie schnelle Fourier-Transformationen und Peak-Fitting - sind für eine zuverlässige Datenreduktion und Parameterschätzung mit geringer Latenzzeit nach wie vor unerlässlich. Ansätze des maschinellen Lernens, insbesondere die Bayes'sche Optimierung und das Reinforcement Learning, sind jedoch wichtige Voraussetzungen für eine autonome Entscheidungsfindung in komplexen, hochdimensionalen Landschaften und für die Nutzung von Prioritätsdaten zur Verbesserung der experimentellen Effizienz. Um den strengen Anforderungen an die Rückkopplungslatenz gerecht zu werden, werden rechenintensive Phasen in der autonomen Pipeline auf FPGAs beschleunigt, insbesondere dort, wo herkömmliche Datenanalyse- oder Lernalgorithmen für den Echtzeitbetrieb im geschlossenen Regelkreis zu langsam sind.
Projektbeschreibung
FASTER zielt darauf ab, Synchrotron- und Neutronenexperimente wesentlich effizienter zu machen, indem es geschlossene, autonome Messungen mit schneller Rückkopplung ermöglicht: Experimentelle Parameter werden auf der Grundlage von Echtzeit-Datenverarbeitung, -Analyse und -Entscheidungen on-the-fly angepasst. Ausgehend von Piloteinsätzen an den PETRA III-Beamlines P08 und P10 (DESY) und REFSANS (MLZ/FRM II) zielt das Projekt auf drei repräsentative Anwendungsfälle - Röntgenphotonenkorrelationsspektroskopie (XPCS), Röntgen- und Neutronenreflexion und zeitaufgelöstes reziprokes Raummapping (TR-RSM) - und entwickelt übertragbare Software-/Hardware-Bausteine, die für alle Techniken anwendbar sind. Das Kernergebnis ist eine autonome Datenpipeline, die Hintergrundsubtraktion, Rauschunterdrückung, Maskierung/ROI-Auswahl, Erkennung von Strahlenschäden und Parameterschätzung durchführt, gekoppelt an Optimierungsalgorithmen (klassisch und ML-basiert, einschließlich Bayes'scher/GP- und Reinforcement-Learning-Entscheidungsträger), die die nächste Messung unter Verwendung von anwendungsspezifischen Kostenfunktionen und Qualitätsmetriken lenken. Um die Anforderungen an Rückkopplungen im Subsekundenbereich (und letztlich nahezu in Echtzeit) bei modernen Detektordatenraten zu erfüllen, werden Rechenengpässe durch FPGA-basierte Beschleunigung für anspruchsvolle Operationen wie Korrelationsfunktionsberechnungen und Inferenzen mit geringer Latenzzeit behoben, die über standardisierte Schnittstellen in die Anlagensteuerungssysteme (z. B. BLISS/Sardana und TANGO/NICOS) zur Unterstützung des routinemäßigen Beamline-Betriebs integriert werden. Parallel dazu werden kuratierte experimentelle und simulierte Trainingsdatensätze in Gemeinschaftsformaten (z. B. NeXus) erstellt und über öffentliche Repositorien und Verbreitungskanäle zugänglich gemacht, ergänzt durch Öffentlichkeitsarbeit, "Common User Mode"-Workflows für Nicht-Experten und eine industrieorientierte Datenschnittstelle, die sich an den FAIR-Grundsätzen orientiert - alles in allem wird damit die Grundlage für robuste, einsatzfähige autonome Experimente an großen Forschungsinfrastrukturen geschaffen.
Schwerpunktthemen/Bereiche
-
HW-Beschleunigung
-
Autonomes Experimentieren
-
Optimierungs-Algorithmen
-
Maschinelles Lernen
.
Methodik
Definition von Systemanforderungen und Schnittstellen (WP2→WP3): Ableitung von Latenz-/Durchsatz-/Speicherzielen aus den Metriken des Anwendungsfalls und dem ML-Workflow sowie Spezifizierung der Rückkopplungsschnittstellen zwischen Detektor und Rechner sowie zwischen Rechner und Strahlengang (Datenformate, Synchronisierung, Sicherheitsgrenzen).
Implementierung der eingebetteten autonomen Pipeline auf FPGA (WP3): Aufbau einer End-to-End-Kette mit geringer Latenz: Dateneingabe mit hoher Rate (Detektor/DAQ → FPGA), Vorverarbeitung in Echtzeit (Rauschunterdrückung, Hintergrundsubtraktion, Maskierung/ROI-Aktualisierung) und ein Entscheidungsblock, der Qualitäts-/Schadens-/SNR-/Korrelationsindikatoren in sich selbst anpassende experimentelle Parameter umwandelt, gefolgt von deterministischen Steuerungsausgangs-Treibern für die Beamline.
Optimieren und iterativ überprüfen (WP3): Erstellung eines Profils von Engpässen, Optimierung von Rechenkernen und Datenbewegungen, Validierung anhand von Offline-Referenzergebnissen und Sicherstellung, dass die Fristen für den geschlossenen Echtzeit-Regelkreis bei realistischen Detektorraten eingehalten werden.
Integration und Einsatz (WP3→WP4): Durchführung anfänglicher End-to-End-Tests im USIE-Labor (XPCS-Pipeline), dann Anpassung der Konfigurationen an die Anwendungsfälle der Strahlanlage (XPCS P10, TR-RSM P08, XRR/NR P08/REFSANS) und Unterstützung der endgültigen Integration der Hardware in den Projektstapel.
