Abstract

Nos experimentos de Física de Altas Energias, a reconstrução digital de sinais é uma etapa fundamental para a estimação precisa da energia das partículas produzidas em colisões. Sob a perspectiva da Engenharia Elétrica, esse problema pode ser tratado como uma tarefa de processamento digital de sinais discretos, envolvendo filtragem, desconvolução e estimação de parâmetros em ambientes altamente ruidosos. No ATLAS experiment, do Large Hadron Collider, o calorímetro hadrônico TileCal utiliza eletrônica dedicada e técnicas de filtragem digital no sistema de trigger para realizar a seleção inicial de eventos em tempo real. Com a atualização para o High-Luminosity Large Hadron Collider, o aumento significativo da taxa de eventos simultâneos intensifica o efeito de pile-up, reduzindo o desempenho dos métodos clássicos de reconstrução baseados em filtragem linear. Esse cenário motiva o desenvolvimento de novas abordagens capazes de operar sob restrições rigorosas de latência e complexidade computacional. A representação esparsa de sinais tem se mostrado promissora nesse contexto por explorar a estrutura intrínseca dos sinais para melhorar a estimação em ambientes com alta interferência. Entretanto, sua aplicação prática em sistemas de tempo real é limitada pelo uso de algoritmos iterativos. Para contornar essa limitação, este trabalho propõe uma adaptação não iterativa baseada em um filtro de desconvolução seguido por uma feedforward neural network, responsável por aplicar uma função de shrinkage com limiar adaptativo definido amostra a amostra. O método proposto foi comparado com técnicas da literatura e apresentou desempenho superior tanto em cenários de baixa quanto de alta ocupação, alcançando reduções de até 54% no erro de reconstrução. Além disso, a abordagem mantém baixa complexidade computacional e apresenta uma estrutura compatível com processamento em tempo real, tornando-se adequada para implementação em sistemas digitais embarcados, como o sistema de trigger do TileCal.