Palestrante
Descrição
Os métodos de classificação de massa em experimentos de radiação Cherenkov necessitam de técnicas mais robustas devido à flutuação da forma da imagem na câmera, uma vez que as partículas primárias acabam gerando cascatas heterogêneas na atmosfera e apresentam uma maior complexidade nos fatores de simetria. Os parâmetros de Hillas acabam não sendo suficientes para inferir a massa das partículas primárias para toda faixa de energia de detecção de radiação cósmica. O foco do trabalho é, portanto, desenvolver um modelo de aprendizado de máquina com ênfase em aprendizado profundo em Redes Neurais convolucionais para classificar a massa das partículas primárias detectadas pelo Observatório CTA (Cherenkov Telescope Array). A reconstrução da energia por este método é uma possibilidade a ser explorada com grande potencial. A implementação do modelo visa trabalhar com 4 LSTs e 4 MSTs. Até o momento, um modelo de análise de apenas 4 LSTs apresentou uma taxa de acerto de 98% na identificação de gamas e até 94% de elétrons. A ideia final do projeto é criar um modelo assertivo e de boa precisão que consiga classificar não apenas as partículas mais leves, mas também núcleos mais pesados como Ferro, Próton, Silício, Nitrogênio, Ferro, Gammas Difusos, entre outros.
