Práce se zabývá akcelerací klastrování pixelových dat z detektoru Timepix3 ve vyčítacím zařízení Katherine, což je odlišný přístup od klastrování na PC. Akcelerace klastrování v zařízení snižuje zatížení PC a nároky na propustnost Ethernetové sběrnice. První část práce je věnována teoretickému rozboru tématiky a rešerši dostupných algoritmů. Druhá část práce je věnována optimalizaci vybraného algoritmu, paralelizaci klastrování a implementaci do zařízení Katherine Gen2. Vybraný algoritmus "baseline" byl výkonově optimalizován o 124,7 %. Následně byl paralelizován až do 16 výpočetních vláken PC, kde vykázal 7x nárůst výkonu. Nakonec byl algoritmus implementován v Katherine na dvoujádrovém procesoru ARM Cortex A9 a akcelerován na jednom výpočetním vlákně. Bylo prezentováno, že algoritmus dosahuje výkonu klastrování v řádu stovek kHit/s. Výstupem implementovaného algoritmu jsou klastry nebo histogramy energií, které jsou odesílány z Katherine do PC přes TCP komunikaci. K tomu byl vytvořen obslužný PC program s GUI, který umožňuje konfiguraci způsobu klastrování a post-processing naměřených dat.
Anotace v angličtině
This work describes clustering acceleration of Timepix3 pixel data in readout device Katherine, which is a different approach from clustering in PC. Clustering in the device lowers computational load on the PC and required bandwidth of Ethernet bus. First part of the work is dedicated to theoretical analysis and research of available algorithms. Second part of the work is dedicated to optimization of chosen algorithm, clustering parallelization and implementation of the algorithm in Katherine Gen2. The chosen algorithm "baseline" was optimized by 124,7 % and parallelized into 16 computational threads, which yielded 7x higher clustering performance. Subsequently, the algorithm was implemented in the devices dual core ARM Cortex A9 processor and accelerated in one thread. The implemented algorithm reached maximum performance in the order of hundreds of kHit/s. Resulting clusters and energy histograms are then sent from Katherine to PC via TCP communication. For this, a GUI PC program was created, which enables the user to configure the clustering and post-process the data.
Práce se zabývá akcelerací klastrování pixelových dat z detektoru Timepix3 ve vyčítacím zařízení Katherine, což je odlišný přístup od klastrování na PC. Akcelerace klastrování v zařízení snižuje zatížení PC a nároky na propustnost Ethernetové sběrnice. První část práce je věnována teoretickému rozboru tématiky a rešerši dostupných algoritmů. Druhá část práce je věnována optimalizaci vybraného algoritmu, paralelizaci klastrování a implementaci do zařízení Katherine Gen2. Vybraný algoritmus "baseline" byl výkonově optimalizován o 124,7 %. Následně byl paralelizován až do 16 výpočetních vláken PC, kde vykázal 7x nárůst výkonu. Nakonec byl algoritmus implementován v Katherine na dvoujádrovém procesoru ARM Cortex A9 a akcelerován na jednom výpočetním vlákně. Bylo prezentováno, že algoritmus dosahuje výkonu klastrování v řádu stovek kHit/s. Výstupem implementovaného algoritmu jsou klastry nebo histogramy energií, které jsou odesílány z Katherine do PC přes TCP komunikaci. K tomu byl vytvořen obslužný PC program s GUI, který umožňuje konfiguraci způsobu klastrování a post-processing naměřených dat.
Anotace v angličtině
This work describes clustering acceleration of Timepix3 pixel data in readout device Katherine, which is a different approach from clustering in PC. Clustering in the device lowers computational load on the PC and required bandwidth of Ethernet bus. First part of the work is dedicated to theoretical analysis and research of available algorithms. Second part of the work is dedicated to optimization of chosen algorithm, clustering parallelization and implementation of the algorithm in Katherine Gen2. The chosen algorithm "baseline" was optimized by 124,7 % and parallelized into 16 computational threads, which yielded 7x higher clustering performance. Subsequently, the algorithm was implemented in the devices dual core ARM Cortex A9 processor and accelerated in one thread. The implemented algorithm reached maximum performance in the order of hundreds of kHit/s. Resulting clusters and energy histograms are then sent from Katherine to PC via TCP communication. For this, a GUI PC program was created, which enables the user to configure the clustering and post-process the data.
Seznamte se s principy pixelových detektorů ionizujícího záření a s příslušenou fyzikální instrumentací.
Prostudujte známé algoritmy pro klastrování pixelových dat. U jednotlivých algoritmů diskutujte jejich možnosti hardwarové akcelerace.
Vybraný algoritmus (či algoritmy) implementujte v FPGA či v embedded procesoru. Detailně popište proces implementace.
Otestujte implementovaný algoritmus na reálných datech z pixelových detektorů IZ. Výsledky testů diskutujte a zhodnoťte dosaženou výkonost HW akcelerace.
Diskutujte začlenění implementovaného algoritmu do stávajících měřících řetězců.
Zásady pro vypracování
Seznamte se s principy pixelových detektorů ionizujícího záření a s příslušenou fyzikální instrumentací.
Prostudujte známé algoritmy pro klastrování pixelových dat. U jednotlivých algoritmů diskutujte jejich možnosti hardwarové akcelerace.
Vybraný algoritmus (či algoritmy) implementujte v FPGA či v embedded procesoru. Detailně popište proces implementace.
Otestujte implementovaný algoritmus na reálných datech z pixelových detektorů IZ. Výsledky testů diskutujte a zhodnoťte dosaženou výkonost HW akcelerace.
Diskutujte začlenění implementovaného algoritmu do stávajících měřících řetězců.
Seznam doporučené literatury
BURIAN, P., et al. Katherine: Ethernet embedded readout interface for Timepix3. Journal of Instrumentation, 2017, 12.11: C11001.
BURIAN, Petr, et al.: Ethernet embedded readout interface for Timepix2 Katherine readout for Timepix2. Journal of Instrumentation, 2020, 15.01: C01037.
MEDUNA, Lukáš. Detecting elementary particles with Timepix3 detector. 2019. Diplomová práce.
Seznam doporučené literatury
BURIAN, P., et al. Katherine: Ethernet embedded readout interface for Timepix3. Journal of Instrumentation, 2017, 12.11: C11001.
BURIAN, Petr, et al.: Ethernet embedded readout interface for Timepix2 Katherine readout for Timepix2. Journal of Instrumentation, 2020, 15.01: C01037.
MEDUNA, Lukáš. Detecting elementary particles with Timepix3 detector. 2019. Diplomová práce.
Přílohy volně vložené
-
Přílohy vázané v práci
ilustrace, grafy, tabulky
Převzato z knihovny
Ano
Plný text práce
Hodnocení z obhajoby práce
Výborně
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Student odprezentoval svoji práci a zodpověděl otázky oponenta. Otázka padla na jiné použití CPU, případné o kolik by se zlepšil výkon.