REDES NEURAIS CONVOLUCIONAIS PARA DETECÇÃO ONLINE DE PARTÍCULAS DE INTERESSE EM UM MEIO COM ALTO RUÍDO DE FUNDO E ALTA TAXA DE EVENTOS

Publicado em 22/03/2021 - ISBN: 978-65-5941-128-3

Título do Trabalho
REDES NEURAIS CONVOLUCIONAIS PARA DETECÇÃO ONLINE DE PARTÍCULAS DE INTERESSE EM UM MEIO COM ALTO RUÍDO DE FUNDO E ALTA TAXA DE EVENTOS
Autores
  • Amanda Pereira da Silva
Modalidade
Resumo apresentação oral curta
Área temática
Centro de Tecnologia (CT)/Engenharia Elétrica
Data de Publicação
22/03/2021
País da Publicação
Brasil
Idioma da Publicação
Português
Página do Trabalho
https://www.even3.com.br/anais/jgmictac/319111-redes-neurais-convolucionais-para-deteccao-online-de-particulas-de-interesse-em-um-meio-com-alto-ruido-de-fundo-e
ISBN
978-65-5941-128-3
Palavras-Chave
Redes Neurais, Física de Altas Energias, ATLAS, Redes Neurais Convolucionais
Resumo
Resumo: Na Área de Física de Altas Energias, nos experimentos envolvendo colisão de partículas, uma grande quantidade de dados é gerada, buscando encontrar raros eventos de interesse. Os experimentos operam com detectores com fina segmentação e a alta taxa de eventos acaba por produzir empilhamento de sinais, de tal modo que a detecção das partículas de interesse se torna ainda mais difícil. Assim, no ATLAS, experimento do maior colisionador de partículas já construído, um sistema de filtragem online é essencial, analisando cerca de 70 TB/S de dados, para encontrar raríssimos eventos de interesse, visando uma física nova. Para este fim, a COPPE/UFRJ desenvolveu um ensemble de redes neurais que toma decisões de filtragem online para elétros resultantes de colisões e que tenham uma energia transversa acima de 15 GeV, a partir de uma informação de calorimetria (medição da energia da partícula incidente) formatada como aneis concêntricos de deposição de energia. Para o novo ciclo de aquisição de dados do ATLAS, deseja-se estender este sistema para operar ao longo de toda a faixa de energia. Utilizando os dados de colisões próton-próton coletadas no experimento ATLAS, são desenvolvidos modelos de convolução 1-D, de modo a explorar a reconhecida eficiência das redes neurais convolucionais nos problemas de reconhecimento de padrões. Estudos comparativos com o algoritmo de referência no ATLAS, que é baseado em conhecimento especialista de calorimetria, são realizados, mostrando a melhoria que este modelo de aprendizado profundo traz para a filtragem online para elétrons, no ATLAS. REFERÊNCIAS BIBLIOGRÁFICAS [1] Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron. DEEP LEARNING. Cambridge, Massachusetts: MIT Press, 2016. [2] S. Haykin. NEURAL NETWORKS: A COMPREHENSIVE FOUNDATION, 2ND EDITION. Prentice-Hall, 1999. [3] Veríssimo de Araújo, M. FILTRAGEM ONLINE BASEADA EM CALORIMETRIA DE ALTAS ENERGIAS E COM ALTAS TAXAS DE EVENTOS. 2019.
Título do Evento
XLII Jornada Giulio Massarani de Iniciação Científica, Tecnológica, Artística e Cultural (JICTAC 2020 - Edição Especial) - Evento UFRJ
Título dos Anais do Evento
Anais da Jornada Giulio Massarani de Iniciação Científica, Tecnológica, Artística e Cultural
Nome da Editora
Even3
Meio de Divulgação
Meio Digital

Como citar

SILVA, Amanda Pereira da. REDES NEURAIS CONVOLUCIONAIS PARA DETECÇÃO ONLINE DE PARTÍCULAS DE INTERESSE EM UM MEIO COM ALTO RUÍDO DE FUNDO E ALTA TAXA DE EVENTOS.. In: Anais da Jornada Giulio Massarani de Iniciação Científica, Tecnológica, Artística e Cultural. Anais...Rio de Janeiro(RJ) UFRJ, 2021. Disponível em: https//www.even3.com.br/anais/jgmictac/319111-REDES-NEURAIS-CONVOLUCIONAIS-PARA-DETECCAO-ONLINE-DE-PARTICULAS-DE-INTERESSE-EM-UM-MEIO-COM-ALTO-RUIDO-DE-FUNDO-E. Acesso em: 07/02/2025

Trabalho

Even3 Publicacoes