Palestrante
Descrição
A reunião e organização dos recursos de computação para os experimentos do LHC se deu sob o paradigma de computação em grid, com clusters baseados em servidores homogêneos. Esse paradigma foi extremamente bem sucedido, com a criação do Worldwide LHC Computing Grid (WLCG). Através do WLCG foram realizadas a análise dos mais de 160 femtobarn inversos de colisões pp entregues pelo acelerador até 2021, bem como a geração de uma quantidade da mesma magnitude de eventos simulados. O São Paulo Research and Analysis Center (SPRACE), estabelecido em 2003 com o apoio da FAPESP, possibilita a participação de pesquisadores de SP no experimento Compact Muon Solenoid (CMS) do LHC e opera o cluster BR-SP-SPRACE do WLCG, associado ao Open Science Grid (OSG). Atualmente o cluster do SPRACE é formado por 128 servidores, totalizando um poder computacional de 25.2 kHS06 e 3 PB de espaço de armazenamento. Um upgrade para as condições do Run 3 está previsto para o fim de 2021, com +20% de poder computacional e +30% de armazenamento.
Esse paradigma, entretanto, não será suficiente para o High-Luminosity LHC (HL-LHC). As condições experimentais do HL-LHC implicam uma luminosidade instantânea de até 75 Hz/nb e até 200 colisões pp simultâneas por evento. Discutiremos os parâmetros de aquisição e processamento de dados na Fase-2 do experimento CMS, durante a era do HL-LHC, e possíveis frentes de desenvolvimento para atacar esse problema: o uso de técnicas de aprendizado de máquina, e o uso de recursos heterogêneos de computação. Utilizaremos como referências os problemas de rastreamento de partículas e de simulação de jatos no HL-LHC, e a implementação do trigger de alto nível da Fase-2 do CMS. Discutiremos também a parte da transferência de dados, com ênfase no upgrade da estrutura de rede para 100G e a entrada do SPRACE no LHCONE, uma coleção de locais de acesso que agem como pontos de entrada para uma rede overlay privada para os sites do LHC.
| Key Words | Compact Muon Solenoid, High-Luminosity LHC, Computação, Computação Heterogênea, Aprendizado de Máquina, Redes |
|---|
