Classificadores neurais de treinamento rápido aplicados na identificação online de eventos no detector atlas

• Autor(a) principal: Santos, Marton Sandes dos
• Data de Publicação: 2018
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFBA
• Texto Completo: http://repositorio.ufba.br/ri/handle/ri/29254
• topic: Engenharia elétrica; Redes neurais artificias; Detector ATLAS; Neural Ringer; Máquinas de Aprendizado Extremo (ELM); Redes com Estados de Eco (ESN); Processamento estatístico de sinais

O ATLAS é o maior detector do Large Hadron Collider (LHC), maior acelerador de partículas já construído e está em operação desde 2008. Sua estrutura é altamente segmentada, sendo composta por 100.000.000 de sensores dispostos num formato cilíndrico para captar os sinais provenientes das colisões próton-próton do LHC. Entre os principais objetivos dos experimentos de física de partículas pode-se mencionar a validação de modelos teóricos e a proposição de novas teorias relacionadas aos componentes fundamentais da matéria, e suas formas de interação. Devido à sua estrutura finamente segmentada, e à natureza dos fenômenos estudados, é produzido um volume de informação considerável durante as colisões, que ocorrem a uma taxa de 40 MHz produzindo no ATLAS até 68 TB/s de informação. Assim, torna-se proibitivo o armazenamento de toda a informação produzida, para posterior processamento. Dessa forma, é necessário um sistema de seleção online (Trigger), que realize a separação dos eventos que contenham informação a respeito da física de interesse do ruído de fundo (eventos não relevantes) produzido. Neste contexto, o discriminador online Neural Ringer utiliza redes neurais do tipo perceptron de múltiplas camadas (MLP) para a separação da informação de interesse (prováveis assinaturas de elétrons) do ruído de fundo (composto em sua maioria por jatos hadrônicos). Como entradas para as redes classificadoras, o Neural Ringer utiliza a informação do perfil de deposição de energia do evento registrado pelo detector. Entretanto, para a obtenção do conjunto de redes neurais que compõem o Neural Ringer, é necessário realizar um número elevado de inicializações do processo de treinamento, o que demanda muito tempo de processamento. Neste trabalho são investigadas modificações no sistema de detecção online de elétrons do ATLAS (Neural Ringer) visando diminuir o tempo de treinamento de redes neurais artificiais e mantendo a eficiência de discriminação da física de interesse. Para isso serão utilizadas técnicas computacionalmente eficientes para treinamento dos classificadores, como as Máquinas de Aprendizado Extremo (Extreme Learning Machine - ELM) e a as Redes com estados de Eco (Echo State Network - ESN). Utilizando duas bases de dados e duas técnicas de reamostragem utilizadas pela Colaboração ATLAS os classificadores foram treinados e avaliados por meio da curva ROC e índice SP na determinação da rede mais eficiente para posterior análise do tempo de treinamento. Ainda foi realizada uma análise estatística para comparação das técnicas propostas em relação ao discriminador padrão. Os resultados mostraram que as técnicas propostas produzem desempenho de classificação equivalente ao classificador em uso, e em tempo de treinamento inferior, sugerindo que as técnicas podem vir a ser utilizadas como alternativas ao classificador utilizado no detector ATLAS.