Palestrante
Descrição
Ao longo da operação, o LHC e seus experimentos passam por diferentes fases de atualização. A primeira fase aconteceu entre os anos de 2019 e 2020, enquanto a sua segunda fase está agendada para ocorrer entre os anos de 2024 e 2026. Na segunda fase do programa de atualização, o principal calorímetro hadrônico do ATLAS (TileCal) substituirá completamente sua cadeia de leitura eletrônica. Entretanto, haveria benefícios adicionais para o programa de física do ATLAS caso a segmentação do TileCal se tornasse mais fina, mesmo que não se possam alterar suas características mecânicas.
Uma opção que está sendo implementada substitui os tubos fotomultiplicadores atuais, de anodo único, por tubos com capacidade de leitura multi-anodal (MA-PMT), o que possibilita dobrar a granularidade atual do calorímetro, obtendo informações adicionais sobre a energia depositada em cada célula. Esta granularidade mais fina permite melhores medidas do perfil longitudinal de jatos produzidos durante o regime de alta luminosidade no LHC (HL-LHC), além de melhorias nas reconstruções de momento, massa e posição angular.
No trabalho aqui proposto, técnicas de aprendizado profundo são utilizadas para associar a imagem formada na tarde de pixels da MA-PMT à uma sub-região da célula em questão. Na primeira etapa do trabalho, utilizamos Modelos Generativos Adversariais para criar dados sintéticos capazes de simular as imagens formadas na grade de pixels da MA-PMT, com o objetivo de aumentar a estatística do processo.Na segunda etapa da análise, as imagens sintéticas são usadas para criar um modelo de classificação, o qual é baseado em Redes Neurais Convolucionais e associa o padrão de imagens formadas na MA-PMT à novas sub-regiões dentro da célula do calorímetro. Os dados reais do processo são utilizados para avaliar a classificação em diferentes pipelines de avaliação.
| Key Words | Aprendizado Profundo, Modelos Generativos, ATLAS, Upgrade |
|---|
