Título: Transferência de Conhecimento para Filtragem Online de Partículas Baseada em Calorimetria de Altas Energias
Autores: Rafael Vianna, Juan Marin and José Seixas.
Resumo:
No contexto do Sistema de Filtragem Online de partículas de um dos principais experimentos do LHC, maior acelerador de partículas em operação no mundo, a demanda por um número maior de eventos raros e instáveis detectáveis exige um aumento da banda passante no sistema de seleção online de partículas, garantindo, assim, a seleção de bons candidatos para a análise offline posterior. Esse processamento online, ou seja, simultâneo às colisões, é fundamental para reduzir o enorme volume de dados gerados pelos sistemas de detecção (aproximadamente 70Tb/s), descartando os eventos de Física ordinária e filtrando aqueles de interesse das análises. Nesse sentido, este trabalho propõe uma solução baseada em conhecimento de máquina para a seleção online de fótons, partículas comumente formadas no processo de decaimento de muitos daqueles eventos de interesse. Os classificadores neurais são gerados a partir de modelos já existentes e treinados com elétrons – cuja interação com a matéria se dá de maneira similar a dos fótons (eletromagnética) -, estratégia conhecida como Transferência de Aprendizagem. Os resultados obtidos mostram melhora do desempenho frente ao método tradicional de seleção empregado.In the context of the Trigger and Data Acquisition System of one of the major experiments at LHC, the greatest particle collider on the planet, the need of increasing numbers of rare and instable events detected implies less time processing from the online particle selection system, thus the selection of good candidates for offline analysis must be guaranteed. The online processing is crucial for decreasing the enormous amount of data produced by the detection systems (approximately 70Tb/s), discarding ordinary Physics events and filtering those more interesting to future analysis. In this sense, this work aims a solution based upon Machine Learning on selecting photons online, particles that are commonly produced in several decay processes, including those from non-ordinary Physics. The neural classifiers are constructed from electron pretrained models already created – whose interaction with the matter is similar to the kind of interaction that photos also have -, method known as Transfer Learning. The results show improvement of performance compared to the traditional selection method that has been applied.
Palavras-chave:
ATLAS, Photon Trigger, Neural Ringer, Neural Networks, Transfer Learning.
Páginas: 7
Código DOI: 10.21528/CBIC2021-66
Artigo em pdf: CBIC_2021_paper_66.pdf
Arquivo BibTeX: CBIC_2021_66.bib