Monitoring Quality of ATLAS ITk Strip Sensors Through Database
Notice bibliographique
Résumé
The High-Luminosity LHC upgrade necessitates a complete replacement of the ATLAS Inner Detector with a larger all-silicon tracker. The strip portion of it covers 165 m$^2$ area, afforded by the strip sensors. Following several prototype iterations and a successful pre-production, a full-scale production started in 2021, to finish in 2025. It will include about 21,000 wafers and a factor of 5 higher throughput than pre-production, with about 500 sensors produced and tested per month. The transition to production stressed the need to evaluate the results from the Quality Control (QC) and Quality Assurance (QA) tests quickly to meet the monthly delivery schedule. The test data come from 15 collaborating institutes, therefore a highly distributed system with standardized interfaces was required. Specialized software layers of QA and QC Python code were developed against the backend of the ITk database (DB) for this purpose. The developments included particularities and special needs of the Strip Sensors community, such as the large variety of different test devices and test types, the necessary test formats, and different workflows at the test sites. Special attention was paid to techniques facilitating the development and user operations, for example creation of “parallel” sets of dummy DB objects for practice purposes, iterative verification of operability, and the automatic upload of test data. The scalability concerns and automation of the data handling were included in the system architecture from the very inception. The full suite of functionalities include data integrity checks, data processing to extract and evaluate key parameters, cross-test comparisons, and summary reporting for continuous monitoring. We will also describe the lessons learned and the necessary evolution of the system.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».