Fusão de informação com o NeuralRinger do Trigger do ATLAS para classificação de elétrons Boosted

• Ano de defesa: 2024
• Autor(a) principal: Assis, Victor Almeida de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Estado do Rio de Janeiro; Centro de Tecnologia e Ciências::Instituto de Física Armando Dias Tavares; Brasil; UERJ; Programa de Pós-Graduação em Física
• Palavras-chave em Português: Elétrons – Classificação; Partículas (Física nuclear); Experimento ATLAS; Redes neurais (Computação); Calorimetria; Modelo padrão (Física nuclear); Grande colisor de hádrons (França e Suíça); Física experimental de altas energias; Fusão de informação; Aprendizado de máquina; Electrons - Classification; Particles (Nuclear physics); ATLAS experiment; Neural networks (Computer science); Calorimetry; Standard model (Nuclear physics); Large Hadron Collider (France and Switzerland); Experimental high energy physics; Fusion information; Machine learning; CIENCIAS EXATAS E DA TERRA::FISICA::FISICA DAS PARTICULAS ELEMENTARES E CAMPOS
• Link de acesso: http://www.bdtd.uerj.br/handle/1/22292

Sistemas de filtragem online tipicamente têm requisitos de projeto de alta velocidade e uso limitado de memória, o que dificulta seus desenvolvimentos. Além disso, é fundamental não possuir tendências estatísticas, já que haverá o descarte irrecuperável de eventos. Nos experimentos de física de altas energias, a identificação online de partículas é crucial para qualquer nova descoberta ou análise de dados. Em particular, os calorímetros são essenciais para esta tarefa em diferentes experimentos, pois medem as energias das partículas incidentes e revelam a natureza destas a partir do perfil de energia que deixam no detector. Assim, no Experimento ATLAS do colisor LHC (Large Hadron Collider), o sistema de calorimetria tem papel fundamental na seleção online dos subprodutos resultantes das colisões, que ocorrem a cada 25 nanossegundos. Baseado na informação de calorimetria, um ensemble de 30 redes neurais (NeuralRinger) é atualmente utilizado para a identificação de elétrons, que são mensageiros de importantes processos físicos de interesse no LHC. Neste trabalho, avaliamos o uso da fusão de informação na detecção de elétrons que estejam próximos, combinando a informação original do NeuralRinger (anéis concêntricos de deposição de energia, construídos em torno de uma estimativa do baricentro do chuveiro de partículas produzido pela partícula incidente) com outras variáveis de calorimetria, reconhecidas pelo seu poder de discriminação de elétrons. Por fim, avaliamos a relevância destas variáveis para a construção do novo filtro online.