MÁQUINAS DE APRENDIZADO EXTREMO E REDES COM ESTADOS DE ECO PARA CLASSIFICAÇÃO ONLINE DE EVENTOS NO DETECTOR ATLAS

Abstract

O ATLAS é um dos detectores do acelerador de partículas LHC e com sua estrutura cilíndrica que compreende diversas camadas de sensores é capaz de caracterizar os fenômenos de interesse que ocorrem após as colisões dos feixes de partículas. O sistema de medição de energia (calorímetro) do ATLAS é composto por mais de 100.000 sensores e fornece informações importantes para a seleção online dos eventos de interesse. Neste contexto, o Neural Ringer é um discriminador de partículas eletromagnéticas (elétrons e fótons) que opera no sistema online de filtragem (trigger) do ATLAS e utiliza uma rede neural tipo Perceptron de múltiplas camadas (MLP - Multilayer Perceptron) para realizar a classificação das partículas a partir do perfil de deposição de energia medido nos calorímetros e formatado em anéis. Neste trabalho é proposta a substituição dos classificadores MLP do Neural Ringer por máquinas de aprendizado com reduzido custo computacional de treinamento. São utilizadas máquinas de aprendizado extremo (ELM - Extreme Learning Machines) e redes com estados de eco (ESN - Echo State Networks) e resultados apontam que é possível obter eficiência de classificação semelhante ao sistema original com uma considerável redução do tempo de treinamento.