Título: Redes Neurais para Classificação de Partículas usando Informação de Calorimetria de Altas Energias para Seleção Online de Múons
Autores: Pedro Henrique Grave Lima, Natanael Moura Junior & Luciano Manhães de Andrade Filho
Resumo: O experimento ATLAS no LHC do CERN enfrenta o desafio de processar um volume de dados extremamente elevado, demandando sistemas de filtragem eficientes em tempo real, onde a detecção de múons é particularmente suscetível a altas taxas de falso alarme. Este estudo propõe a substituição do filtro casado, atualmente empregado para identificação de múons no calorímetro TileCal, por classificadores baseados em redes neurais que utilizam um conjunto mais abrangente de células do detector. Foram avaliadas arquiteturas de redes neurais MultiLayer Perceptron (MLP) e Convolutional Neural Network (CNN), comparando-as com o método de corte rígido de energia. Os resultados indicam que o uso de redes neurais permite reduzir a taxa de falso alarme de aproximadamente 35% para 9-17% em regiões críticas do detector, mantendo uma probabilidade de detecção fixa de 98%. Tais avanços podem otimizar a seletividade do trigger e a eficiência do sistema de detecção de múons no ATLAS em um ambiente de alta luminosidade.
Palavras-chave: neural networks; machine learning; online filtering; signal processing.
Páginas: 7
Código DOI: 10.21528/CBIC2025-1191512
Artigo em PDF: CBIC_2025_paper1191512.pdf
Arquivo BibTeX:
CBIC_2025_1191512.bib