Título: Conjunto de Redes Neurais para Seleção Online de Elétrons em um Calorímetro Finamente Segmentado e com Elevada Taxa de Empilhamento de Sinais
Autores: Isabella Silva Ferreira, José Manoel de Seixas, Edmar Egidio Purcino De Souza, & Denis Oliveira Damazio
Resumo: O próximo período de tomada de dados com início previsto para 2030 (Run4) do experimento de física de partículas ATLAS do LHC/CERN, impõe desafios significativos como uma taxa de produção da informação na entrada dos sistemas de filtragem de eventos para ≈ 70 TB/s, além do elevado empilhamento de sinais, que distorce as amostras medidas nos sistemas de calorimetria. Para lidar com as limitações de banda passante e latência de processamento, está sendo planejado um novo sistema de identificação de eventos que irá operar em hardware dedicado (Nível 0). Este trabalho propõe um método baseado em redes neurais artificias (o NeuralRinger) para classificação online de elétrons, considerando as futuras restrições de operação no Nível 0. O NeuralRinger realiza uma extração de característica dos sinais depositados no calorímetro do ATLAS, descrevendo o perfil lateral e longitudinal da energia depositada pela partícula. Os sinais formatados em anéis alimentam um conjunto de redes neurais artificias para a tomada de decisão. Para a nova fase do experimento, este algoritmo precisará mostrar-se resiliente a uma alta taxa de empilhamento de sinais e a ausência da informação de alguns dos canais de leitura do detector. Resultados preliminares mostram que o modelo é capaz de manter a alta eficiência mesmo com a perda de informação de algumas células e o aumento da ocupação do detector, com baixa taxa de falsos positivos.
Palavras-chave: Artificial Neural Networks; Trigger; Calorimetry; High Energy Physics; Pile-up.
Páginas: 8
Código DOI: 10.21528/CBIC2025-1191808
Artigo em PDF: CBIC_2025_paper1191808.pdf
Arquivo BibTeX:
CBIC_2025_1191808.bib