Redes Neurais Convolucionais para Mitigação de Ruído Cruzado em um Sistema de Calorimetria de Altas Energias com Elevada Segmentação

Abstract

Sistemas de instrumentação eletrônica com fina segmentação de sensores podem ser afetados por interferência cruzada (crosstalk), ocasionada principalmente pelos efeitos de acoplamento indutivo e capacitivo entre sensores muito próximos entre si. Esse cenário pode ser observado em experimentos de física de partículas dotados de sistemas de calorimetria, utilizados para medição da energia das partículas. Nesses sistemas, o crosstalk degrada a estimação da amplitude e da fase do sinal coletado e, por consequência, prejudica a medição precisa de propriedades subatômicas, impactando a qualidade da reconstrução do sinal de interesse. Com base na disposição matricial de células de um calorímetro de argônio líquido, este trabalho adota uma metodologia baseada em aprendizado de máquina para redução de interferência cruzada, utilizando arquiteturas de Redes Neurais Convolucionais. A metodologia proposta para estimação de energia na célula central do arranjo apresentou resultados satisfatórios, obtendo coeficiente de correlação de até 99% entre a energia da partícula estimada pelo modelo neural e a energia sem efeito de crosstalk.