Título: Filtragem online de eletrons com redes neurais convolucionais a partir de dados de calorimetria
Autores: Lucas Barra de Aguiar Nunes, Natanael N. Moura Junior, Jose Manoel de Seixas
Resumo: Na etapa atual de aquisição de dados no LHC (Large Hadron Collider), no interior do Experimento ATLAS, o volume de dados atinge 120TB/s como consequência das colis oes de protons, que ocorrem a cada 25ns. Entretanto, os eventos de interesse são extremamente raros de tal modo que um sistema de filtragem online e implementado para armazenar apenas os eventos de física de interesse do experimento. Nesse contexto, e proposto o Ringer Inception, um comite de redes neurais convolucionais para a seleção de el etrons no experimento baseada na análise de anéis concêntricos de energia de um chuveiro de partículas, a partir de dados de calorimetria de altas energias. Essa arquitetura se inspira na rede Inception aliada ao conhecimento especialista de física de altas energias para aumentar a eficiencia na detecção de eventos boosted (eletrons de alta energia com pouca distancia entre si) raros. Exibindo resili encia ao empilhamento, o modelo mostrou-se capaz de detectar eletrons vindos desses decaimentos apresentando um ganho de 14,13 pp na eficiencia geral, atingindo 98,52%, sendo 3 vezes mais eficiente em alguns casos enquanto a probabilidade de falso alarme passa a ser menor que 0,85%.
Palavras-chave: Machine Learning, Redes Neurais Convolucionais, Física de Altas Energias, Trigger Online
Páginas: 8
Código DOI: 10.21528/CBIC2023-164
Artigo em pdf: CBIC_2023_paper164.pdf
Arquivo BibTeX: CBIC_2023_164.bib