DELILA: A Scalable Data Acquisition System for Multi-Detector Nuclear Physics Experiments at ELI-NP
Notice bibliographique
Résumé
Modern nuclear physics experiments require flexible data acquisition (DAQ) systems for high data rates from diverse detector arrays. This paper presents DELILA (Digital ELI-NP List-mode Acquisition), an open-source DAQ system for high-throughput experiments at the Extreme Light Infrastructure – Nuclear Physics (ELI-NP) facility. DELILA employs a distributed, modular architecture with five components: Data Sources, Merger, Data Sinks, User Interface (UI), and Application Programming Interface (API). The system supports triggerless list-mode acquisition from silicon strips, scintillators, and germanium detectors using CAEN digitizers with various firmware (FW) (Digital Pulse Processing - Pulse Shape Discrimination (DPP-PSD), Pulse Height Discrimination (DPP-PHA), Charge Integration (DPP-QDC), waveform recording). Key features include robust clock synchronization, network transparency for distributed control, and optimized low-latency data transfer. Performance evaluation demonstrates sustained acquisition at 100 kHz per channel with FELib libraries and 2 MHz for single-channel 2730 digitizers. The system achieves 60 MB/s data rates with compact 30-byte events, enabling efficient storage. DELILA scales from 3 to 320 channels with real-time monitoring and event rate displays updated every 1-10 seconds. The Angular-based web interface with RESTful API facilitates remote operation and automated monitoring integration. Comprehensive testing using PuppEx signal generation validated stable operation across multiple digitizer configurations, with performance limited by disk I/O rather than acquisition electronics. DELILA’s open-source design promotes collaborative development and customization for diverse nuclear physics experimental requirements [1].
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».