Avaliação comparativa de métodos lineares clássicos e baseados em aprendizado de máquina para estimação de energia em calorimetria de altas energias no regime de alta luminosidade

Abstract

Esta dissertação investiga o problema de estimação de energia em calorimetria hadrônica de altas energias no contexto do Calorímetro Hadrônico de Telhas (Tile Calorimeter – TileCal) do experimento ATLAS, com ênfase nas condições operacionais associadas ao regime de Alta Luminosidade do Grande Colisor de Hádrons (High-Luminosity Large Hadron Collider – HL-LHC). O objetivo do trabalho é avaliar comparativamente o desempenho de métodos lineares clássicos e de modelos baseados em aprendizado de máquina para reconstrução da amplitude de pulsos digitalizados em presença de ruído eletrônico e superposição temporal de sinais (pile-up). Para isso, o problema é formulado como uma tarefa de estimação de amplitude a partir de janelas temporais contendo amostras discretizadas do sinal. Foi utilizada uma base sintética gerada por simulador de canal de leitura, com variação controlada da ocupação, formação do sinal por convolução com pulso característico do detector e adição de ruído gaussiano. Sobre essa base, foram implementados e avaliados quatro estimadores: Filtro de Wiener, Perceptron Multicamadas (MLP), Regressão por Vetores de Suporte (SVR) com núcleo radial e Rede Neural Convolucional (CNN) unidimensional. A comparação foi realizada por meio de métricas de erro, resolução relativa, viés, coeficiente de determinação e análise ROC, considerando diferentes regimes de ocupação. Os resultados mostram que o aumento de pile-up degrada sistematicamente o desempenho de todos os métodos avaliados. Em regimes de baixa ocupação, o Filtro de Wiener apresenta desempenho competitivo, com baixa complexidade e boa aderência ao modelo de pulso aproximadamente isolado. Em condições mais severas, os métodos não lineares mostram maior capacidade de adaptação às distorções induzidas pela sobreposição temporal, com destaque para a CNN em regimes mais elevados de ocupação. Conclui-se que a escolha do estimador mais adequado depende do compromisso entre qualidade de reconstrução, robustez estatística e viabilidade computacional, sendo os modelos baseados em aprendizado de máquina alternativas promissoras para cenários de alta luminosidade no TileCal.