Título: Redes Auto-codificadoras como Pré-processamento em Calorimetria de Altas Energias com Fina Segmentação
Autores: Carlos Eduardo Covas Costa, Micael Veríssimo de Araújo, João Victor da Fonseca Pinto, Werner Spolidoro Freund, José Manoel de Seixas
Resumo: Ambientes que apresentam elevada taxa de amostragem, uma grande quantidade de canais de leitura e eventos raros imersos em uma grande quantidade de ruído de fundo são comuns em diversas aplicações de engenharia. Nestes ambientes, a filtragem do sinal de interesse se torna desafiadora devido à alta dimensionalidade no espaço de características original e ao grande volume de dados gerados. Na física de partículas, este contexto se faz presente, como no caso do sistema de filtragem do experimento ATLAS, situado no LHC (Large Hadron Collider), que tem como objetivo identificar partículas envolvidas em processos físicos de interesse de estudo. Desde 2017, o algoritmo NeuralRinger, que consiste em um conjunto de redes neurais do tipo perceptron de múltiplas camadas, é utilizado no sistema de filtragem online do ATLAS com o objetivo de discriminar elétrons (sinal de interesse) de jatos (ruído). O NeuralRinger oferece redução de dimensionalidade através da representação da energia depositada nas células do sistema de calorimetria (medidores responsáveis pela estimação da energia associada aos eventos) com o uso de anéis concêntricos (total de 100) que alimentam as redes neurais. Este trabalho avalia a aplicação de técnicas de codificação para encontrar uma representação da informação anelada de calorimetria com um menor número de componentes e capaz de manter a capacidade discriminante. Redes auto-codificadoras discriminantes se mostraram capazes de representar a informação anelada de calorimetria com apenas um componente, mantendo a capacidade de discriminação elétron-jato. Os resultados foram obtidos utilizando uma base de dados de simulação de Monte Carlo, que representa as condições de colisões de prótons a uma energia de 13 TeV no centro de massa.
Palavras-chave: Auto-codificadores; Inteligência computacional; Estatística de ordem superior; Física de altas energias
Páginas: 8
Código DOI: 10.21528/CBIC2019-102
Artigo em pdf: CBIC2019-102.pdf
Arquivo BibTeX: CBIC2019-102.bib