Data Analysis and Simulation in HEP Using Machine Learning.

• Grant number: 24/17851-8
• Support Opportunities: Scholarships in Brazil - Technical Training Program - Technical Training
• Start date: November 01, 2024
• End date: August 31, 2025
• Field of knowledge: Physical Sciences and Mathematics - Physics - Elementary Particle Physics and Fields
• Principal Investigator: Sergio Ferraz Novaes
• Grantee: Marcio de Sousa Mateus Junior
• Host Institution: Núcleo de Computação Científica (NCC). Universidade Estadual Paulista (UNESP). Campus de São Paulo. São Paulo , SP, Brazil
• Associated research grant: 18/25225-9 - São Paulo Research and Analysis Center, AP.ESP

Abstract

Redes Neurais (NN) e Árvores de Decisão Aumentadas (BDT) têm sido utilizadas em Física de Altas Energias (HEP) há bastante tempo, por exemplo, em algoritmos de identificação de partículas, onde o objetivo principal é diferenciar entre um sinal deixado por uma partícula real e o ruído de fundo. O advento das modernas Redes Neurais Profundas (DNN) teve um impacto significativo na HEP. Esses desenvolvimentos são particularmente interessantes quando se trata de processar uma grande quantidade de dados que contém muitas características. Além disso, ao considerar o alto grau de paralelismo nas arquiteturas modernas, a maioria das implementações de DNN permite acelerar partes computacionalmente intensivas dos fluxos de trabalho da HEP.Um dos principais tópicos em desenvolvimento na área de DNN é o uso dessa técnica para gerar dados simulados de forma rápida. Modelos geradores rápidos, como Redes Adversariais Generativas (GAN) e Autocodificadores Variacionais (VAE), são capazes de explorar distribuições de alta dimensão aprendendo a partir de amostras de dados existentes. Ser capaz de gerar eventos semelhantes a dados experimentais reais é fundamental para a HEP, já que a comparação entre a resposta do detector e as previsões dos modelos teóricos está no cerne da atividade da HEP. Simular um único evento de colisão próton-próton é muito demorado, e bilhões deles são necessários para comparação com os dados; as GANs já provaram que é possível aumentar a velocidade de simulação em ordens de magnitude, e mais P&D pode melhorar o nível atual de precisão.