Aprendizado Online de Redes Neurais Artificiais Aplicadas à Reconstrução de Energia no Calorímetro Hadrônico do ATLAS

Abstract

Este trabalho tem como objetivo recuperar informações de partículas subatômicas incidentes em calorímetros, tratando especificamente os sinais da eletrônica de leitura do TileCal, o calorímetro hadrônico do ATLAS experiment, instalado no Large Hadron Collider. Com o programa de atualização do LHC e o aumento da luminosidade, cresce a probabilidade de colisões em intervalos fixos de tempo, o que, considerando o tempo de resposta do TileCal, provoca o efeito de empilhamento de sinais (pile-up). Esse fenômeno dificulta a estimação da amplitude dos pulsos, grandeza diretamente relacionada à energia das partículas detectadas. Para lidar com esse problema, o trabalho propõe o aprendizado online de Artificial Neural Network, explorando as não linearidades intrínsecas do canal de leitura e comparando seu desempenho com métodos lineares tradicionais. A abordagem utiliza o sistema de seleção de eventos do ATLAS, aproveitando o conhecimento fornecido pelo sinal de aceitação no primeiro nível de trigger (L1A), responsável por indicar quais dados devem ser armazenados e quais podem ser descartados. Essa informação permite aplicar ou treinar a rede neural online. O processo de treinamento é realizado a partir da simulação de um sinal central com amplitude conhecida, somado aos sinais ordinários responsáveis pelo efeito de empilhamento. Após aprender os padrões de pile-up, a rede neural é capaz de remover essas interferências e recuperar a amplitude dos sinais de interesse durante a etapa de aplicação. Os resultados mostram que o método proposto apresenta desempenho competitivo em relação às técnicas atualmente utilizadas na recuperação de energia do calorímetro hadrônico do ATLAS.