Sessão de Defesa da Tese de Doutorado No. 54 do PPGEEC - COMPUTATIONAL INTELLIGENCE APPLIED FOR CROSSTALK REDUCTION IN A LIQUID ARGON CALORIMETER

DISCENTE : MARTON SANDES DOS SANTOS

 

DATA : 11/12/2024

 

HORA: 14:00

 

LOCAL: Sala da Congregação - Escola Politécnica da UFBA, 5o andar

 

TÍTULO: COMPUTATIONAL INTELLIGENCE APPLIED FOR CROSSTALK REDUCTION IN A LIQUID ARGON CALORIMETER

 

PALAVRAS-CHAVES: ATLAS; Simulador Analítico; Crosstalk; Processamento Estatístico de Sinais; Aprendizado de Máquina; Loernzetti Framework;

 

RESUMO:

O ATLAS (A Toroidal LHC ApparatuS) é o maior experimento do acelerador LHC (Large Hadron Collider) situado no CERN (Centre Européen pour la Recherche Nucléaire). O ATLAS está localizado em um dos pontos de colisão no túnel do acelerador. É composto de detectores especializados para caracterizar as partículas produzidas por colisões próton-próton (pp) com energia de centro de massa de 13 TeV. Um dos seus detectores especializados é o calorímetro de Argônio Líquido (LAr), com cerca de 187.000 células de sensores para registar a produção de partículas electromagnéticas. Os calorímetros são detectores largamente utilizados em experimentos de física de partículas, os quais têm a função de registrar e absorver a energia das partículas produzidas nas colisões no interior dos experimentos. O calorímetro em LAr do ATLAS têm uma granularidade fina e alta densidade de células, que em associação com as altas taxas de colisão e a estrutura mecânica e eletrônica do sistema de leitura do detector, produzem efeitos de interferência proveniente dos canais eletrônicos vizinhos (crosstalk – XT). O XT aumenta a dificuldade de estimativa da energia e do tempo de propagação da partícula incidente. O Filtro Ótimo é o método padrão utilizado no ATLAS para estimar a energia e o tempo, mas no seu projeto de coeficientes, o XT não é levado em consideração, o que traz um erro na estimativa da energia e do tempo de voo das partículas. Esta tese investigou possíveis soluções para a mitigação do XT utilizando técnicas de aprendizagem de máquinas e métodos estatísticos de processamento de sinais. A solução proposta baseia-se no desenvolvimento de um estimador baseado em redes neurais artificiais para mitigar os efeitos indesejáveis do XT. Duas bases de dados simulados com base em modelos de física de partículas eletromagnéticas foram utilizados na aplicação e avaliação do modelo. Os sinais obtidos a partir dos simuladores desenvolvidos são utilizados para desenvolver e avaliar possíveis soluções em aprendizado de máquina. Utilizando os dados produzidos nos simuladores disponíveis, a abordagem utilizando métodos supervisionados mostrou-se eficiente tanto para a estimativa da energia quanto do tempo de voo das partículas utilizando a estrutura de Multilayer Perceptron (MLP) numa tarefa de regressão do valor da energia e do tempo das partículas sem a influência do XT. Os resultados obtidos produziram desempenho de regressão com baixo RMSE (root mean squared error) em relação ao método padrão utilizado para estimar a energia e o tempo de voo das partículas. Apresentando redução do erro na estimação da energia, siginifacante redução do erro na estimação do tempo de voo. Para o valor da energia a melhor rede possui uma camada oculta, já para o tempo, uma rede com três camadas ocultas produziu o melhor resultado. O método proposto reduziu o erro da estimação da energia em até 15,5% para energia de impacto 10 GeV, e reduziu a erro para a estimativa do tempo em até 2 ordens de grandeza na mesma energia de impacto.

 

MEMBROS DA BANCA: 

EDUARDO FURTADO DE SIMAS FILHO (ORIENTADOR) UFBA

ANTONIO CARLOS LOPES FERNANDES JUNIOR         UFBA

EDUARDO DA SILVA ALMEIDA                           UFBA

BERNARDO SOTTO-MAIOR PERALVA                         UERJ

BERTRAND LAFORGE                                                  Sorbonne Université

Em 06/12/2024