Design, development and validation of DataPix4: a C++ framework for Timepix4-based detectors

La tesi affronta la crescente esigenza, nell’ambito della fisica sperimentale, di soluzioni software in grado di gestire flussi di dati sempre maggiori, requisiti di elevata precisione e architetture di rivelatori sempre più complesse. L’elemento centrale della tesi è lo sviluppo e la validazione di DataPix4, un framework progettato per sistemi basati su Timepix4, l’ultimo ASIC della collaborazione Medipix4. Si tratta di un rivelatore ibrido, con una matrice di pixel ad alta densità, modalità di acquisizione multiple e risoluzione temporale inferiore al ns, adatto alla fisica delle alte energie ed a numerose applicazioni interdisciplinari. Lo sviluppo di DataPix4 è stato motivato dalle esigenze del progetto 4DPHOTON, che mira a realizzare un innovativo fotorivelatore accoppiando uno stadio di amplificazione a MicroChannel Plate a Timepix4, utilizzato come anodo pixelato all’interno di un tubo in vuoto. 4DPHOTON mira ad ottenere simultaneamente elevata risoluzione spaziale e temporale, caratteristiche cruciali per applicazioni come i rivelatori RICH dell’esperimento LHCb, in particolare in vista dell’Upgrade II, che richiederà la gestione di una luminosità istantanea superiore di oltre un fattore 5 rispetto all’attuale. DataPix4 è implementato in C++, per esigenze di ottimizzazione e di manipolazione dei dati a basso livello. Il framework supporta entrambi i canali di comunicazione di Timepix4: il collegamento Slow Control (fino a 1Gbps), per configurazione e lettura lenta, e 16 Fast Links con una banda complessiva massima di circa 160 Gbps. L’acquisizione dati supporta entrambe le modalità: Data-Driven, per una lettura zero-suppressed evento per evento, e Frame-Based, per una lettura sincrona dell’intera matrice, adatta a rate elevati. DataPix4 integra procedure di calibrazione, accessibili anche tramite una GUI dedicata sviluppata in Python. Sono inoltre disponibili strumenti di monitoraggio online e algoritmi di clustering per un’analisi preliminare durante la presa dati, con salvataggio di file ROOT contenenti informazioni complete per l’analisi offline. La validazione del framework è stata condotta in condizioni sperimentali eterogenee. Le misure di caratterizzazione di Timepix4, realizzate tramite DataPix4, hanno mostrato una risoluzione temporale per cluster pari a 33±3 ps. Le misure effettuate con raggi X monocromatici presso l’INFN e al sincrotrone Elettra di Trieste, hanno permesso la calibrazione energetica pixel-a-pixel, raggiungendo una risoluzione inferiore a 1 keV. DataPix4 è stato inoltre impiegato in due test-beam al CERN per caratterizzare i primi prototipi di 4DPHOTON. Oltre alle misure di fisica fondamentale, DataPix4 ha dimostrato grande versatilità anche in fisica applicata. È utilizzato in un progetto per lo sviluppo di un sistema di Multi-Energy Computed Tomography per i beni culturali. È stato integrato nel sistema Python-based PEPIControl presso INFN Trieste per scansioni micro-CT ad alta risoluzione. È stato inoltre adattato come sistema di monitoraggio del fascio presso l’anello IOTA di Fermilab, con l’output del clustering online indirizzato a una GUI dedicata per la diagnostica in tempo reale. Una parte del lavoro ha riguardato lo sviluppo di una rete neurale convoluzionale per la classificazione delle tracce di particelle rivelate da Timepix4. Addestrata su un dataset annotato, la rete ha raggiunto un’accuratezza di 0.84 sul set di validazione. Per prepararne l’esecuzione su piattaforme hardware dedicate, è stata effettuata una quantizzazione tramite Vitis AI. La rete quantizzata sarà integrata in DataPix4 tramite un thread separato, consentendo l’identificazione delle particelle in tempo reale durante l’acquisizione. L’integrazione del framework DataPix4 con strumenti di machine learning fornisce così un ambiente completo per la configurazione, l’operazione e l’analisi di dati provenienti da rivelatori basati su Timepix4.

The thesis addresses the growing demand in experimental physics for software solutions capable of managing increasing data rates, high precision requirements and complex detector architectures. The central element is the development and validation of DataPix4, a framework designed for operating detector systems based on the Timepix4, the latest ASIC from the Medipix4 Collaboration. It is a state-of-the-art hybrid pixel chip with a dense pixel matrix, multi-mode acquisition and sub-ns timing resolution, suitable for high-energy physics and a wide range of other applications. The development of DataPix4 was motivated by the requirements of the 4DPHOTON project, aiming to create an innovative photodetector by coupling a MicroChannel Plate (MCP) amplification stage to the Timepix4 ASIC, serving as a pixelated anode within a vacuum tube. This detector concept targets simultaneous high spatial and temporal resolution, critical for applications like the LHCb Ring-Imaging Cherenkov (RICH) detectors, particularly for the planned RICH Upgrade II scenario, which necessitates handling instantaneous luminosities more than five times higher than the current one. The DataPix4 framework is implemented in C++, chosen for its optimization capabilities and ability to perform low-level data manipulation. The framework supports both Timepix4 communication channels: a Slow Control link (up to 1 Gbps), for configuration and slow data read-out, and 16 Fast Links, which can achieve a maximum bandwidth of ~160 Gbit/s. The data acquisition supports both Timepix4 modes: Data-Driven for zero-suppressed, event-by-event readout, and Frame-Based for synchronous, full matrix readout, suitable for extremely high rates. Management is simplified through high-level methods. DataPix4 incorporates automated calibration and setup routines, also accessible via a dedicated Python-based Graphical User Interface (GUI). It also provides online data monitoring and online data analysis via a dedicated clustering algorithm, that saves ROOT files with comprehensive information on clusters, for complete offline analysis. The framework’s validation spans diverse experimental conditions. Timepix4 characterization measurements, exploiting the DataPix4 framework for control and acquisition, demonstrated a cluster timing resolution as low as 33±3 ps. Energy calibration, performed using monochromatic X-rays at INFN Ferrara and the Elettra Synchrotron in Trieste, enabled pixel-by-pixel energy calibration and achieved an energy resolution < 1 keV. DataPix4 was employed during two test-beam campaigns at CERN, to characterize the first 4DPHOTON detector prototypes in a RICH configuration. Beyond fundamental physics measurements, DataPix4 proved its versatility across applied physics. It is employed in a project aiming to develop a system for Energy-Resolved Radiography (ERR) and Multi-Energy Computed Tomography (MECT) of artworks. Furthermore, it was integrated into the Python-based PEPIControl system at INFN Trieste to facilitate high-resolution micro-CT scans. It was also adapted for use as a beam monitoring system at Fermilab's IOTA ring, where the online clustering output was redirected to a custom GUI for real-time beam diagnostics. A final component of the work involved developing a custom Neural Network (CNN) to classify particle tracks (Alpha, Electron, Muon, Photon) detected by the Timepix4. After training on an annotated dataset, the model achieved an accuracy of 0.84 on the validation set. To prepare the network for efficient hardware acceleration, quantization was performed using the AMD Vitis AI environment. This quantized network is planned for integration into DataPix4 using a separate thread, enabling on-the-fly particle identification alongside data acquisition. The combination of the core DataPix4 framework with advanced machine-learning tools establishes a complete environment for configuring, operating and analysing data from Timepix4-based detectors.