Desenvolvimento de algoritmo de Trigger para detecção de sinais no experimento CYGNO

• Ano de defesa: 2024
• Autor(a) principal: Pains, Igor Fonseca
• Orientador(a): Nóbrega, Rafael Antunes
• Banca de defesa: Cerqueira, Augusto Santiago , Andrade Filho, Luciano Manhães de , Ferreira, Danton Diego
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Juiz de Fora (UFJF)
• Programa de Pós-Graduação: Programa de Pós-graduação em Engenharia Elétrica
• Departamento: Faculdade de Engenharia
• País: Brasil
• Palavras-chave em Português: Processamento de imagens; Trigger; Redes neurais convolucionais; Filtragem; Detecção de sinais; Eficiência computacional; Image processing; Convolutional neural networks; Filtering; Signal detection; Computational efficiency
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: https://repositorio.ufjf.br/jspui/handle/ufjf/17668

O desenvolvimento de algoritmos de trigger, com tempos de processamento rápidos, é essencial para experimentos que processam grandes volumes de dados e buscam eventos raros com uma alta taxa de aquisição. O experimento CYGNO, projetado para a detecção direta de matéria escura por meio de um detector a gás, enfrenta o desafio de processar aproximadamente 80.000 imagens diariamente, muitas das quais contêm apenas ruído eletrônico gerado pelo sistema de leitura do detector. Para enfrentar esse desafio, este trabalho propõe dois algoritmos de trigger: um algoritmo utiliza filtragem com filtros padrões, como média, mediana e gaussiano, além do filtro casado; o outro é baseado em redes neurais convolucionais (CNNs). Ambos os métodos alcançaram uma taxa de detecção de aproximadamente 80% para sinais de 0.25 keV, com o algoritmo de filtragem apresentando uma taxa de falso alarme de 10%, enquanto a CNNs reduziu esse índice para 1%. Os algoritmos propostos foram capazes de detectar todos os sinais identificados pelo algoritmo de reconstrução do experimento, além de operar com tempos de processamento significativamente menores: o filtro gaussiano levou cerca de 200 milissegundos em CPU e 20 milissegundos em GPU, enquanto a CNN exigiu aproximadamente 550 milissegundos em CPU e 200 milissegundos em GPU. Esses avanços não apenas melhoram a eficiência da análise dos dados, mas também otimizam os recursos do experimento CYGNO, possibilitando uma gestão mais eficaz das imagens adquiridas.