Résumé
Depuis plus de 40 ans, la lecture des signaux issus de détecteurs capacitifs en instrumentation pour la physique fondamentale repose traditionnellement sur des fonctions analogiques optimisant le rapport signal sur bruit. Cependant, ces traitements introduisent des imperfections (bruit électronique, empilement d’événements, déficit balistique) qui dégradent la qualité des mesures. Les réseaux de neurones offrent une alternative prometteuse pour améliorer la fidélité des données, en corrigeant ces distorsions et en réduisant le volume de données transférées. Cet article explore les architectures matérielles capables d’effectuer l’inférence de modèles neuronaux en temps réel, sous contraintes de ressources embarquées. Après une analyse des limitations des chaînes de mesure analogiques actuelles, nous présentons les principes de l’apprentissage profond et les défis de son déploiement sur des systèmes embarqués (latence, empreinte mémoire, consommation énergétique). Nous décrivons ensuite des solutions matérielles adaptées (CPU, co-processeurs, FPGA, GPU), en comparant leurs performances pour des modèles de complexité variable. Enfin, nous discutons des critères de sélection des architectures en fonction des contraintes applicatives. Cette étude ouvre la voie à une intégration optimisée des réseaux de neurones dans les instruments de physique fondamentale, pour un traitement intelligent et frugal des signaux.
Introduction
La figure 1 présente l’architecture de base de nos instruments pour les expériences de physiques fondamentales. Lorsqu’une particule interagit avec un détecteur capacitif, elle génère un courant de porteurs (électrons et ions) dont la forme temporelle reflète directement les mécanismes microscopiques de l’interaction. Ce signal primaire est ensuite converti en tension par un préamplificateur, de charge ou de courant, puis façonné par un filtre (« shaper »). Selon son architecture, ce dernier est conçu soit pour maximiser le rapport signal/bruit dans une optique de mesure d’énergie, soit pour assurer une montée rapide du signal en vue d’une mesure précise du temps. Toutefois, cette étape de traitement analogique introduit inévitablement des déformations : perte de l’information initiale sur la forme d’onde, empilement de signaux successifs, déficit balistique et ajout de bruit ou de perturbations électroniques.
Après amplification et façonnage, le signal est numérisé puis stocké localement avant d’être envoyé vers un concentrateur de données. Celui-ci regroupe et synchronise les événements provenant de nombreux canaux de détection, nécessitant des cartes électroniques à forte capacité de calcul et des liaisons à très haut débit, parfois de plusieurs dizaines voire centaines de gigabits par seconde. Malgré cette infrastructure coûteuse, une large fraction des données transférées – souvent plus de 80 % – est finalement rejetée car sans pertinence pour les objectifs scientifiques. Cette approche, consistant à collecter systématiquement l’intégralité des signaux bruts, répond au besoin des chercheurs de « ne rien perdre » et de garder un contrôle total sur leur expérience. Néanmoins, elle est inefficace du point de vue énergétique et computationnel : les ressources sont massivement mobilisées pour transmettre et stocker un volume de données dont seule une faible part est réellement exploitable. En pratique, l’essentiel de l’effort scientifique se concentre ensuite sur la réduction du bruit de fond et l’extraction de rares événements significatifs, ce qui illustre le besoin urgent de stratégies de traitement plus sélectives et intelligentes, dès l’acquisition des signaux.