Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/11422/11571
Especie: Tese
Título : Identificação de elétrons baseada em um calorímetro de altas energias finamente segmentado
Autor(es)/Inventor(es): Freund, Werner Spolidoro
Tutor: Seixas, José Manoel de
Resumen: Aplicações atuais em diferentes áreas podem se deparar com cenários envolvendo grande massas de dados, necessidade de fusão de informação, alta dimensionalidade e taxa de eventos, raros eventos de interesse e empilhamento. Todos esses aspectos estão presentes no ATLAS, o maior experimento do acelerador de partículas na vanguarda científica atual (LHC). Para isso, faz-se necessário a identificação de elétrons em um ambiente sucessivamente mais desafiador, devido ao crescimento do empilhamento de sinais, que deteriora as assinaturas dos elétrons. Empregam-se dois sistemas de detectores: calorimetria (energia) e espectrografia magnética (trajetória). A identificação ocorre em um estágio online (trigger ) para depois computar-se a decisão final e de referencia em offline. No trigger, utiliza-se uma sequencia de estratégias híbridas, que conta com a primeira (2017) estratégia, proposta pela COPPE/UFRJ, baseada em redes neurais como método principal em experimentos similares ao ATLAS. A mesma (NeuralRinger ) emprega anéis concêntricos de energia e ´e complementada, posteriormente, para a fusão de informação. Este trabalho propõe o NeuralRinger para a atuação offline e, com isso, inverte a lógica comum de desenvolvimento. Adicionou-se fusão de outras representações de informação via o ajuste por redes neurais especialistas. Desenvolveu-se uma infraestrutura completa para o complexo ambiente de análise do ATLAS. Os resultados em simulação, comparando a NeuralRinger com a referência (verossimilhança), mostram uma redução na taxa de falsos elétrons de 2, 54 % para 1, 13 % (incerteza desprezível) quando ambas operam na mesma detecção. A atuação do NeuralRinger no trigger exigiu avaliar o seu impacto no ambiente offline.Propôs-se um método estatístico de análise, onde se observou, em dados de colisão de 2017, que a distorção é mínima (< 1σ) e, mesmo assim, positiva, ao coletar amostras de melhor qualidade.
Resumen: Current applications in several areas may face scenarios involving big data, need for information fusion, high dimensionality and event-rate, rare events and signal pile-up. These features are found in the ATLAS, the largest experiment of the particle accelerator in the current scientific edge (LHC). Electron identification is vital for this purpose, currently subject to ever-increasing pile-up conditions. Detector systems provide discriminant information of distinct nature: calorimetry (energy) and magnetic spectrography (tracking etc.). The identification occurs in an online stage (trigger) followed by an offline computation responsible for the ultimate and benchmark decision. In the trigger, it is employed a decision chain of hybrid methods which counts with the first strategy based on neural networks, proposed by COPPE/UFRJ, operating in experiments similar to ATLAS. This technique (NeuralRinger) is based only on concentric rings of energy and is posteriorly complemented by a decision based on likelihood for the data fusion. This work purposes the NeuralRinger for offline operation and, thereby, inverts the standard logic of development. To allow its operation, other representations of information were added through training specialist neural networks. It was developed a complete framework for the ATLAS, a complex analysis environment. The results, comparing the NeuralRinger with the reference (likelihood), show a fake electron rate reduction from 2.54 % to 1.13 % (negligible uncertainty) when operating at the same detection rate. The NeuralRinger operation in the trigger required the evaluation of its impact in the offline environment. It was purposed a statistical analysis method, where it was observed in 2017 colision data that the distortion in minimal (< 1σ) and, nevertheless, favorable, considering that better quality samples are collected.
Materia: Engenharia elétrica
Redes neurais
Filtragem online
Fusão de dados
Aprendizado conjunto
Análise de impacto
Empilhamento de sinais
Física de altas-energias
Materia CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Programa: Programa de Pós-Graduação em Engenharia Elétrica
Unidade de producción: Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia
Editor: Universidade Federal do Rio de Janeiro
Fecha de publicación: mar-2018
País de edición : Brasil
Idioma de publicación: por
Tipo de acceso : Acesso Aberto
Aparece en las colecciones: Engenharia Elétrica

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
887776.pdf9.92 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.