The planned upgrade of the Large Hadron Collider (LHC), the High-Luminosity LHC (HL-LHC), will bring a major increase of the instantaneous luminosity. This requires a significant improvement of the trigger system of the CMS experiment to cope with the higher detector occupancy. The upgrades will include enhancements of the hardware trigger system, the Level-1 Trigger, and allow the execution of more complex algorithms, such as neural network-based algorithms, that are already showing excellent performance in offline analyses. This thesis presents a proof-of-concept study of fast neural-network based Level-1 triggers. The main challenge is to satisfy the strict constraints of the Level-1 trigger in terms of execution time and output rate while maintaining a high signal efficiency. The algorithms are benchmarked with Higgs boson pair and top-quark pair production. The results show an additional gain in signal efficiency of approximately 20% at 10 kHz rate, compared to conventional single lepton triggers. The developed neural networks occupy less than 1% of the available resources on an FPGA.
Das bevorstehende Upgrade des Large Hadron Colliders (LHC), der High-Luminosity LHC (HL-LHC), bringt eine große Steigerung der instantanen Luminosität. Die Trigger-Systeme des CMS Detektors müssen signifikant verbessert werden, um die daraus entstehende höhere Detektorbelegung zu bewältigen. Ein Teil des Detektorupgrades beinhaltet die Verbesserung des in Hardware implementierten Level-1 Triggers, wodurch die Ausführung von komplexeren Algorithmen, wie zum Beispiel neuronalen Netzwerken möglich wird, die bereits eine hervorragend Leistung in Offline-Datenanalysen zeigen. In dieser Arbeit wird ein konzeptioneller Beweis der Machbarkeit von schnellen Level-1-Trigger auf Basis neuronaler Netze vorgestellt. Die größte Herausforderung besteht darin, die strengen Beschränkungen des Level-1 Triggers in Bezug auf die Ausführungszeit und die Ausgaberate zu erfüllen und gleichzeitig eine hohe Signaleffizienz beizubehalten. Um die Effizienz der Algoritmen zu bewerten werden die Prozesse mit Produktion von Higgs-Bosonen und Top-Quarks benutzt. Die Ergebnisse zeigen einen zusätzlichen Gewinn an Signaleffizienz von ca. 20% bei einer Rate von 10 kHz im Vergleich zu konventionellen Triggern. Die entwickelten neuronalen Netze beanspruchen weniger als 1% der verfügbaren Ressourcen auf einem FPGA.