Título: Redes Neurais Convolucionais para Mitigação de Ruído Cruzado em um Sistema de Calorimetria de Altas Energias com Elevada Segmentação
Autores: André Paiva Conrado Rodrigues, Antonio Carlos Lopes Fernandes Júnior, Edmar Egidio Purcino De Souza, Eduardo Furtado de Simas Filho, Paulo C. M. A. Farias, Mateus Hufnagel Maranha de Faria, Luciano Manhaes de Andrade Filho & Bertrand Laforge
Resumo: 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 os sensores, que são muito próximos entre si. Este cenário pode ser observado em experimentos de física de partículas dotados de sistemas de calorimetria, utilizados para medição da energia das partículas. Nestes sistemas, o crosstalk degrada a estimação da amplitude e da fase do sinal coletado, e por consequência, perturba a medição precisa de propriedades subatômicas, impactando na 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 aprendizagem de máquina para redução de interferência cruzada, utilizando arquiteturas de Redes Neurais Convolucionais. A metodologia proposta para estimação de energia para a célula central do arranjo trouxe 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.
Palavras-chave: Convolutional Neural Networks; Calorimetry; Particle Detection; High Energy Physics; Crosstalk.
Páginas: 8
Código DOI: 10.21528/CBIC2025-1191630
Artigo em PDF: CBIC_2025_paper1191630.pdf
Arquivo BibTeX:
CBIC_2025_1191630.bib