Título: Aplicação de redes neurais MLP e CNN para redução de crosstalk em dados de simuladores de eventos de física de altas energias
Autores: Leandro dos Santos Gama, Antonio Carlos Lopes Fernandes Júnior & Eduardo Furtado de Simas Filho
Resumo: Simuladores de eventos de física de altas energias tem se mostrado muitoúteis em estratégias de análise e previsão de modelos ao reproduzir as interações observadas em experimentos como o ATLAS, do LHC. Os dados gerados destas ferramentas incluem a modelagem de sinais como crosstalk e ruído, permitindo análises para desenvolver estratégias de mitigação dessas interferências e melhorar a reconstrução das energias depositadas nos calorímetros. Neste trabalho, modelos de máquinas de aprendizado, especificamente Multilayer Perceptrons (MLPs) e Convolutional Neural Networks(CNNs), foram aplicados para reduzir os efeitos do crosstalk em conjuntos de dados simulados. Os resultados mostraram que os modelos foram eficazes, com coeficientes de determinação R² superiores a 85% nos modelos CNN, ligeiramente mais performaticos que os MLPs, destacando o potencial dessas técnicas para aprimorar a qualidade dos dados gerados por simuladores e, futuramente, contribuir para a análise e calibração de medições em experimentos reais.
Palavras-chave: Crosstalk; machine learning; simulators; ATLAS.
Páginas: 8
Código DOI: 10.21528/CBIC2025-1191190
Artigo em PDF: CBIC_2025_paper1191190.pdf
Arquivo BibTeX:
CBIC_2025_1191190.bib