---

Home

---

---

---

---

---

Seminari

---

---

---

Home  ⪧  Ricerca  ⪧  Ricerca Tecnologica  ⪧  APEIRON

APEIRON

APEIRON è un framework costituito dall’architettura generale di una piattaforma eterogenea di calcolo distribuito e dal relativo stack software, dai device driver al modello di programmazione di alto livello. Il framework è concepito per essere utilizzato efficacemente nello studio, nella prototipazione e nel deployment di sistemi intelligenti di trigger e data acquisition (TDAQ) per esperimenti di fisica delle alte energie.

L’architettura generale della piattaforma di calcolo distribuito prevede la presenza di m sorgenti di dati, che in un sistema TDAQ corrispondono ai detector o sub-detector, in ingresso ad una sequenza di n livelli di elaborazione streaming, a partire dal readout e terminando con il processore di trigger di basso livello o lo storage server a seconda del caso. La piattaforma di calcolo è caratterizzata da una infrastruttura di rete modulare, scalabile e con topologia configurabile che rappresenta un elemento chiave dell’architettura, consentendo la ricombinazione a bassa latenza dei flussi di dato provenienti dai diversi canali attraverso i vari livelli di elaborazione. Questi ultimi sono realizzati per mezzo di una combinazione di dispositivi di calcolo eterogenei (FPGA, CPU, GPU) opportunamente definita in fase di progetto per trarre il massimo beneficio dalle loro caratteristiche specifiche in termini di latenza e throughput dell’elaborazione.

Allo scopo di offrire un modello di programmazione che sia in grado di astrarre dai dettagli dell’effettiva architettura della piattaforma di calcolo, e anzi possa offrire supporto per la sua definizione ottimale, APEIRON si basa su due elementi chiave:

• Un modello di programmazione distribuito di tipo dataflow basato sulle Kahn Process Networks (KPNs);
• L’uso dei moderni sistemi di High Level Synthesis (HLS) per dispositivi FPGA.

In questo modo è possibile rappresentare l’elaborazione per mezzo di un grafo diretto, i cui vertici rappresentano i task computazionali che dovranno essere eseguiti e i cui archi rappresentano i canali di comunicazione attraverso cui i task si scambiano i dati. I task sono descritti in linguaggio di alto livello (C/C++) in modo indipendente riguardo alla classe di dispositivo sul quale quel determinato task verrà mappato per l’esecuzione. Questa descrizione astratta della elaborazione permette da un lato di studiare il suo partizionamento ottimale rispetto all’architettura dedicata di calcolo eterogenea e distribuita che si prevede di utilizzare e, allo stesso tempo, utilizzando una comune piattaforma server per l’esecuzione, permette di validarla in termini dei risultati prodotti ancor prima che la piattaforma dedicata sia effettivamente disponibile. L’uso di una base di codice comune renderà agevole la manutenibilità e verifica del codice, oltre che consentire di sperimentare diversi mapping tra la rappresentazione astratta in termini di processi di Kahn e l’architettura hardware sottostante, velocizzando il ciclo di prototipazione del sistema di calcolo distribuito che andrà a implementare il sistema TDAQ.

Il framework APEIRON è flessibile e si presta ad essere impiegato nella progettazione sia di sistemi di trigger di basso livello tradizionali che di sistemi di acquisizione “streaming readout” o trigger-less, nei nuovi scenari sperimentali caratterizzati da rate di eventi molto elevati. Nel primo caso ci si prefigge di studiare e implementare algoritmi innovativi basati su Deep e Spiking Neural Networks atti a migliorare l’efficienza del sistema di trigger online. L’architettura della piattaforma ed il modello di programmazione sono concepiti, infatti, per supportare l’implementazione distribuita di reti neurali, mappando i diversi layer di cui queste si compongono su diversi livelli di elaborazione interconnessi. Un primo caso d’uso di questo tipo del framework APEIRON già stato individuato nella introduzione di un meccanismo di partial particle identification realizzato per mezzo di una di una Deep Neural Network implementata su piattaforma FPGA nel trigger di basso livello dell’esperimento NA62 al CERN. Nel secondo caso si applicherà il framework in un sistema streaming readout per la riduzione del volume di dati destinati allo storage permanente, implementando sistemi di ricostruzione parziale e selezione online degli eventi prodotti.

---

Siti web:

• APELab-APEIRON

Opportunità di Tesi:

Per informazioni riguardanti le opportunità di Tesi, rivolgersi a Alessandro Lonardo e consultare la pagina APELab-JoinUs.

---

Responsabile

Alessandro Lonardo

Afferenti    ▽

---