Modelos Lineares Assistidos por Redes Neurais para Estimação Online da Energia do Calorímetro de Telhas do ATLAS

Abstract

O experimento ATLAS no LHC está 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, haverá uma evolução da arquitetura eletrônica de leitura, permitindo a realocação dos componentes eletrônicos e viabilizando a implementação do modo *free-running* de processamento digital de sinais. Durante essa fase, espera-se um aumento substancial no número de interações de partículas por colisão, o que pode representar desafios para os algoritmos de processamento de sinais, especialmente nos calorímetros, onde as flutuações causadas pelo efeito de empilhamento de sinais degradam a resolução de energia. O método do Filtro Ótimo, atualmente utilizado no calorímetro de telhas do ATLAS, busca minimizar a variância do ruído eletrônico, mas pode resultar em erros sistemáticos quando os pulsos se sobrepõem, levando a estimativas imprecisas da amplitude do sinal em cenários de alta luminosidade e processamento contínuo. Neste trabalho, avalia-se a alternativa de utilizar o método dos mínimos quadrados, que busca encontrar um estimador que minimize a diferença entre os dados observados e o modelo do sinal, sujeito a restrições lineares. Essa estratégia é combinada com o uso de uma rede neural perceptron multicamadas, que atua como um corretor não linear das estimativas de energia obtidas pelo método dos mínimos quadrados, tornando-as significativamente mais precisas.