Estimação de energia no calorímetro hadrônico do ATLAS para o primeiro nível de trigger utilizando redes neurais artificiais

Abstract

Este trabalho tem como objetivo a implementação de um sistema de estimação de energia adequado às condições de alta luminosidade do Large Hadron Collider, o maior e mais potente colisor de partículas já construído. Previstas no programa de atualização do acelerador, essas condições aumentam a probabilidade de colisões próton-próton em detectores como o ATLAS experiment. A resposta do calorímetro hadrônico do ATLAS, o TileCal, necessita de aproximadamente sete cruzamentos de feixe para gerar um pulso com amplitude proporcional à energia depositada. Com o aumento da taxa de colisões, intensifica-se também o efeito de empilhamento de sinais (pile-up), o que aumenta o erro na estimação da amplitude dos sinais gerados pela eletrônica de leitura. Para lidar com esse problema, o calorímetro é modelado como um canal de comunicação com características dispersivas, permitindo recuperar o impulso de entrada, remover o efeito de empilhamento e obter uma medida mais precisa da energia depositada em cada cruzamento de feixe. Técnicas lineares mostraram resultados superiores ao método atualmente utilizado no sistema de trigger. No entanto, elas não conseguem modelar adequadamente as não linearidades intrínsecas do canal. Diante disso, este trabalho propõe um equalizador de canal não linear baseado em redes neurais artificiais. Por meio de treinamentos extensivos, foram definidos os principais parâmetros de uma rede neural feedforward com o objetivo de combinar alto desempenho e baixa complexidade computacional. O estimador neural demonstrou robustez em cenários com alta ocorrência de empilhamento de sinais e atendeu aos requisitos para implementação em hardware dedicado utilizando FPGA. Embora a implementação de funções de ativação não lineares em hardware exija muitos recursos, essa limitação foi contornada com o uso de uma look-up table compacta. Por fim, a rede neural foi quantizada em ponto fixo para reduzir o uso de recursos lógicos, sem comprometer seu desempenho em comparação com a versão implementada em software.