Aprendizado online de redes neurais artificiais aplicadas à reconstrução de energia no calorímetro hadrônico do atlas
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFJF |
Texto Completo: | https://repositorio.ufjf.br/jspui/handle/ufjf/14882 |
Resumo: | A tarefa principal desenvolvida neste trabalho é a de recuperar informações de partículas subatômicas incidentes em calorímetros. Especificamente, trata-se os sinais da eletrônica de leitura do Tilecal, o calorímetro hadrônico instalado no ATLAS, que por sua vez, é um dos principais experimentos do maior e mais potente colisionador de partículas construído, o LHC (Large Hadron Collider). Há um planejamento de atualizações do LHC que considera o aumento da luminosidade, havendo maior probabilidade de colisões de partículas em intervalos fixos e definidos de tempo, o que, no contexto do tempo de resposta do TileCal, ocasiona o efeito de empilhamento dos sinais, prejudicando a estimação da amplitude deles, grandeza essa que está relacionada à energia das partículas detectadas. Sugere-se o aprendizado online de Redes Neurais Artificiais, devido às não-linearidades intrínsecas do canal de leitura, para estimação de energia em condições de alta luminosidade, comparando seu desempenho a métodos lineares. Para tanto, aproveita-se o sistema de seleção de eventos do ATLAS, que consiste no conhecimento especialista do sinal de aceitação no primeiro nível de trigger (L1A), que discrimina os dados válidos para serem armazenados, ou os dados descartados, e assim possibilita a aplicação ou aprendizado online da Rede Neural Artificial, respectivamente. O aprendizado é definido pela simulação de um sinal central de amplitude conhecida, somado aos sinais ordinários que caracterizam o efeito empilhamento. Logo, com os padrões de empilhamento aprendidos, os mesmos podem ser retirados do sinal, recuperando a amplitude de sinais de interesse na etapa de aplicação da Rede Neural Artificial. A eficiência do método proposto apresenta resultados competitivos em relação aos métodos utilizados no contexto de recuperação de energia do calorímetro hadrônico do ATLAS. |
id |
UFJF_233d8860eb95c5adc30e6d9cde2a93b7 |
---|---|
oai_identifier_str |
oai:hermes.cpd.ufjf.br:ufjf/14882 |
network_acronym_str |
UFJF |
network_name_str |
Repositório Institucional da UFJF |
repository_id_str |
|
spelling |
Andrade Filho, Luciano Manhães dehttp://lattes.cnpq.br/Aguiar, Eduardo Pestana dehttp://lattes.cnpq.br/9530065975903052Silva, Leandro Rodrigues Mansohttp://lattes.cnpq.br/1421239770201461Amaral, Jorge Luís Machado dohttp://lattes.cnpq.br/1000528740958810Peralva, Bernardo Sotto Maiorhttp://lattes.cnpq.br/http://lattes.cnpq.br/5296174954782128Quirino, Tiago Motta2023-01-18T11:46:42Z2023-01-182023-01-18T11:46:42Z2022-12-15https://repositorio.ufjf.br/jspui/handle/ufjf/14882A tarefa principal desenvolvida neste trabalho é a de recuperar informações de partículas subatômicas incidentes em calorímetros. Especificamente, trata-se os sinais da eletrônica de leitura do Tilecal, o calorímetro hadrônico instalado no ATLAS, que por sua vez, é um dos principais experimentos do maior e mais potente colisionador de partículas construído, o LHC (Large Hadron Collider). Há um planejamento de atualizações do LHC que considera o aumento da luminosidade, havendo maior probabilidade de colisões de partículas em intervalos fixos e definidos de tempo, o que, no contexto do tempo de resposta do TileCal, ocasiona o efeito de empilhamento dos sinais, prejudicando a estimação da amplitude deles, grandeza essa que está relacionada à energia das partículas detectadas. Sugere-se o aprendizado online de Redes Neurais Artificiais, devido às não-linearidades intrínsecas do canal de leitura, para estimação de energia em condições de alta luminosidade, comparando seu desempenho a métodos lineares. Para tanto, aproveita-se o sistema de seleção de eventos do ATLAS, que consiste no conhecimento especialista do sinal de aceitação no primeiro nível de trigger (L1A), que discrimina os dados válidos para serem armazenados, ou os dados descartados, e assim possibilita a aplicação ou aprendizado online da Rede Neural Artificial, respectivamente. O aprendizado é definido pela simulação de um sinal central de amplitude conhecida, somado aos sinais ordinários que caracterizam o efeito empilhamento. Logo, com os padrões de empilhamento aprendidos, os mesmos podem ser retirados do sinal, recuperando a amplitude de sinais de interesse na etapa de aplicação da Rede Neural Artificial. A eficiência do método proposto apresenta resultados competitivos em relação aos métodos utilizados no contexto de recuperação de energia do calorímetro hadrônico do ATLAS.-porUniversidade Federal de Juiz de Fora (UFJF)Programa de Pós-graduação em Engenharia ElétricaUFJFBrasilFaculdade de EngenhariaAttribution-ShareAlike 3.0 Brazilhttp://creativecommons.org/licenses/by-sa/3.0/br/info:eu-repo/semantics/openAccessCNPQ::ENGENHARIAS::ENGENHARIA ELETRICAAprendizado onlineRedes neurais artificiaisInstrumentação científicaCalorimetriaAprendizado online de redes neurais artificiais aplicadas à reconstrução de energia no calorímetro hadrônico do atlasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisreponame:Repositório Institucional da UFJFinstname:Universidade Federal de Juiz de Fora (UFJF)instacron:UFJFORIGINALtiagomottaquirino.pdftiagomottaquirino.pdfPDF/Aapplication/pdf5144593https://repositorio.ufjf.br/jspui/bitstream/ufjf/14882/1/tiagomottaquirino.pdf1fa358d0e33e61c15f02ed3cafe309f6MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81031https://repositorio.ufjf.br/jspui/bitstream/ufjf/14882/2/license_rdf9b85e4235558a2887c2be3998124b615MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.ufjf.br/jspui/bitstream/ufjf/14882/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53TEXTtiagomottaquirino.pdf.txttiagomottaquirino.pdf.txtExtracted texttext/plain182380https://repositorio.ufjf.br/jspui/bitstream/ufjf/14882/4/tiagomottaquirino.pdf.txt028eba91bb1e818a4c9dcefd0aa888e9MD54THUMBNAILtiagomottaquirino.pdf.jpgtiagomottaquirino.pdf.jpgGenerated Thumbnailimage/jpeg1153https://repositorio.ufjf.br/jspui/bitstream/ufjf/14882/5/tiagomottaquirino.pdf.jpg3422532d5868f2cfe5e8c0738ef671daMD55ufjf/148822023-01-19 04:15:40.952oai:hermes.cpd.ufjf.br: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Repositório InstitucionalPUBhttps://repositorio.ufjf.br/oai/requestopendoar:2023-01-19T06:15:40Repositório Institucional da UFJF - Universidade Federal de Juiz de Fora (UFJF)false |
dc.title.pt_BR.fl_str_mv |
Aprendizado online de redes neurais artificiais aplicadas à reconstrução de energia no calorímetro hadrônico do atlas |
title |
Aprendizado online de redes neurais artificiais aplicadas à reconstrução de energia no calorímetro hadrônico do atlas |
spellingShingle |
Aprendizado online de redes neurais artificiais aplicadas à reconstrução de energia no calorímetro hadrônico do atlas Quirino, Tiago Motta CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Aprendizado online Redes neurais artificiais Instrumentação científica Calorimetria |
title_short |
Aprendizado online de redes neurais artificiais aplicadas à reconstrução de energia no calorímetro hadrônico do atlas |
title_full |
Aprendizado online de redes neurais artificiais aplicadas à reconstrução de energia no calorímetro hadrônico do atlas |
title_fullStr |
Aprendizado online de redes neurais artificiais aplicadas à reconstrução de energia no calorímetro hadrônico do atlas |
title_full_unstemmed |
Aprendizado online de redes neurais artificiais aplicadas à reconstrução de energia no calorímetro hadrônico do atlas |
title_sort |
Aprendizado online de redes neurais artificiais aplicadas à reconstrução de energia no calorímetro hadrônico do atlas |
author |
Quirino, Tiago Motta |
author_facet |
Quirino, Tiago Motta |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Andrade Filho, Luciano Manhães de |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/ |
dc.contributor.referee1.fl_str_mv |
Aguiar, Eduardo Pestana de |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/9530065975903052 |
dc.contributor.referee2.fl_str_mv |
Silva, Leandro Rodrigues Manso |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/1421239770201461 |
dc.contributor.referee3.fl_str_mv |
Amaral, Jorge Luís Machado do |
dc.contributor.referee3Lattes.fl_str_mv |
http://lattes.cnpq.br/1000528740958810 |
dc.contributor.referee4.fl_str_mv |
Peralva, Bernardo Sotto Maior |
dc.contributor.referee4Lattes.fl_str_mv |
http://lattes.cnpq.br/ |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/5296174954782128 |
dc.contributor.author.fl_str_mv |
Quirino, Tiago Motta |
contributor_str_mv |
Andrade Filho, Luciano Manhães de Aguiar, Eduardo Pestana de Silva, Leandro Rodrigues Manso Amaral, Jorge Luís Machado do Peralva, Bernardo Sotto Maior |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Aprendizado online Redes neurais artificiais Instrumentação científica Calorimetria |
dc.subject.por.fl_str_mv |
Aprendizado online Redes neurais artificiais Instrumentação científica Calorimetria |
description |
A tarefa principal desenvolvida neste trabalho é a de recuperar informações de partículas subatômicas incidentes em calorímetros. Especificamente, trata-se os sinais da eletrônica de leitura do Tilecal, o calorímetro hadrônico instalado no ATLAS, que por sua vez, é um dos principais experimentos do maior e mais potente colisionador de partículas construído, o LHC (Large Hadron Collider). Há um planejamento de atualizações do LHC que considera o aumento da luminosidade, havendo maior probabilidade de colisões de partículas em intervalos fixos e definidos de tempo, o que, no contexto do tempo de resposta do TileCal, ocasiona o efeito de empilhamento dos sinais, prejudicando a estimação da amplitude deles, grandeza essa que está relacionada à energia das partículas detectadas. Sugere-se o aprendizado online de Redes Neurais Artificiais, devido às não-linearidades intrínsecas do canal de leitura, para estimação de energia em condições de alta luminosidade, comparando seu desempenho a métodos lineares. Para tanto, aproveita-se o sistema de seleção de eventos do ATLAS, que consiste no conhecimento especialista do sinal de aceitação no primeiro nível de trigger (L1A), que discrimina os dados válidos para serem armazenados, ou os dados descartados, e assim possibilita a aplicação ou aprendizado online da Rede Neural Artificial, respectivamente. O aprendizado é definido pela simulação de um sinal central de amplitude conhecida, somado aos sinais ordinários que caracterizam o efeito empilhamento. Logo, com os padrões de empilhamento aprendidos, os mesmos podem ser retirados do sinal, recuperando a amplitude de sinais de interesse na etapa de aplicação da Rede Neural Artificial. A eficiência do método proposto apresenta resultados competitivos em relação aos métodos utilizados no contexto de recuperação de energia do calorímetro hadrônico do ATLAS. |
publishDate |
2022 |
dc.date.issued.fl_str_mv |
2022-12-15 |
dc.date.accessioned.fl_str_mv |
2023-01-18T11:46:42Z |
dc.date.available.fl_str_mv |
2023-01-18 2023-01-18T11:46:42Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufjf.br/jspui/handle/ufjf/14882 |
url |
https://repositorio.ufjf.br/jspui/handle/ufjf/14882 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-ShareAlike 3.0 Brazil http://creativecommons.org/licenses/by-sa/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-ShareAlike 3.0 Brazil http://creativecommons.org/licenses/by-sa/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Juiz de Fora (UFJF) |
dc.publisher.program.fl_str_mv |
Programa de Pós-graduação em Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UFJF |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Faculdade de Engenharia |
publisher.none.fl_str_mv |
Universidade Federal de Juiz de Fora (UFJF) |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFJF instname:Universidade Federal de Juiz de Fora (UFJF) instacron:UFJF |
instname_str |
Universidade Federal de Juiz de Fora (UFJF) |
instacron_str |
UFJF |
institution |
UFJF |
reponame_str |
Repositório Institucional da UFJF |
collection |
Repositório Institucional da UFJF |
bitstream.url.fl_str_mv |
https://repositorio.ufjf.br/jspui/bitstream/ufjf/14882/1/tiagomottaquirino.pdf https://repositorio.ufjf.br/jspui/bitstream/ufjf/14882/2/license_rdf https://repositorio.ufjf.br/jspui/bitstream/ufjf/14882/3/license.txt https://repositorio.ufjf.br/jspui/bitstream/ufjf/14882/4/tiagomottaquirino.pdf.txt https://repositorio.ufjf.br/jspui/bitstream/ufjf/14882/5/tiagomottaquirino.pdf.jpg |
bitstream.checksum.fl_str_mv |
1fa358d0e33e61c15f02ed3cafe309f6 9b85e4235558a2887c2be3998124b615 8a4605be74aa9ea9d79846c1fba20a33 028eba91bb1e818a4c9dcefd0aa888e9 3422532d5868f2cfe5e8c0738ef671da |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFJF - Universidade Federal de Juiz de Fora (UFJF) |
repository.mail.fl_str_mv |
|
_version_ |
1801661324253462528 |