Título: Modelos Lineares Assistidos por Redes Neurais para Estimação Online da Energia do Calorímetro de Telhas do ATLAS
Autores: G. I. Gonçalves, G. B. Libotte, B. S. Peralva, L. M. de Andrade Filho, L. E. Balabram Filho, J. M. de Seixas
Resumo: O experimento ATLAS no LHC esta passando por uma atualização significativa, dividida em duas fases, para lidar com a alta luminosidade do LHC. Na Fase-II, prevista para entrar em operação em 2029, haver a uma evolução da arquitetura eletrônica de leitura, permitindo a realocação dos componentes eletronicos visando a implementação do modo free-running de processamento digital de sinais. Durante esta fase de operação, espera-se um aumento substancial no numero de interações de partículas por colisão, o que pode apresentar desafios para os algoritmos de processamento de sinais, especialmente para os calorímetros onde as flutuaçoes causadas pelo efeito de empilhamento de sinal degradam a resolução de energia. O método do Filtro ótimo, utilizado atualmente no calorímetro de telhas do ATLAS, busca minimizar a variancia do ruído eletronico, mas pode resultar em erros sistemáticos quando os pulsos se sobrepõem, levando a uma estimativa imprecisa da amplitude do sinal em cenários de alta luminosidade e de processamento ininterruptos de sinais. Neste trabalho, avaliamos a alternativa de usar o método de mínimos quadrados, que busca encontrar um estimador que minimize a diferença entre os dados observados e o modelo do sinal, sujeito a restriçoes lineares. Esta estrategia e conjugada com o emprego de uma rede neural perceptron multicamadas, visando a sua atuação como um corretor não-linear das estimativas da energia estimada pelo método de mínimos quadrados, tornando este significativamente mais preciso
Palavras-chave: Modelos lineares, redes neurais, empilhamento de sinais, calorimetria de altas energias
Páginas: 8
Código DOI: 10.21528/CBIC2023-179
Artigo em pdf: CBIC_2023_paper179.pdf
Arquivo BibTeX: CBIC_2023_179.bib