Aprendizado online de redes neurais artificiais aplicadas à reconstrução de energia no calorímetro hadrônico do atlas

• Ano de defesa: 2022
• Autor(a) principal: Quirino, Tiago Motta
• Orientador(a): Andrade Filho, Luciano Manhães de
• Banca de defesa: Aguiar, Eduardo Pestana de , Silva, Leandro Rodrigues Manso , Amaral, Jorge Luís Machado do , Peralva, Bernardo Sotto Maior
• Tipo de documento: Tese
• 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: Aprendizado online; Redes neurais artificiais; Instrumentação científica; Calorimetria
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: https://doi.org/10.34019/ufjf/te/2022/00107; https://repositorio.ufjf.br/jspui/handle/ufjf/14882

A tarefa principal desenvolvida neste trabalho é a de recuperar informações de partículas subatômicas incidentes em calorímetros. Especificamente, trata-se os sinais da eletrônica de leitura do Tilecal, o calorímetro hadrônico instalado no ATLAS, que por sua vez, é um dos principais experimentos do maior e mais potente colisionador de partículas construído, o LHC (Large Hadron Collider). Há um planejamento de atualizações do LHC que considera o aumento da luminosidade, havendo maior probabilidade de colisões de partículas em intervalos fixos e definidos de tempo, o que, no contexto do tempo de resposta do TileCal, ocasiona o efeito de empilhamento dos sinais, prejudicando a estimação da amplitude deles, grandeza essa que está relacionada à energia das partículas detectadas. Sugere-se o aprendizado online de Redes Neurais Artificiais, devido às não-linearidades intrínsecas do canal de leitura, para estimação de energia em condições de alta luminosidade, comparando seu desempenho a métodos lineares. Para tanto, aproveita-se o sistema de seleção de eventos do ATLAS, que consiste no conhecimento especialista do sinal de aceitação no primeiro nível de trigger (L1A), que discrimina os dados válidos para serem armazenados, ou os dados descartados, e assim possibilita a aplicação ou aprendizado online da Rede Neural Artificial, respectivamente. O aprendizado é definido pela simulação de um sinal central de amplitude conhecida, somado aos sinais ordinários que caracterizam o efeito empilhamento. Logo, com os padrões de empilhamento aprendidos, os mesmos podem ser retirados do sinal, recuperando a amplitude de sinais de interesse na etapa de aplicação da Rede Neural Artificial. A eficiência do método proposto apresenta resultados competitivos em relação aos métodos utilizados no contexto de recuperação de energia do calorímetro hadrônico do ATLAS.