Aprendizado profundo e processamento de sinais aplicados à reconstrução de trajetórias em 4 dimensões para o HL-LHC

• Processo: 23/18484-6
• Modalidade de apoio: Bolsas no Brasil - Doutorado Direto
• Vigência (Início): 01 de abril de 2024
• Vigência (Término): 31 de março de 2029
• Área do conhecimento: Ciências Exatas e da Terra - Física - Física das Partículas Elementares e Campos
• Pesquisador responsável: Marco Aurelio Lisboa Leite
• Beneficiário: Rodrigo Estevam de Paula
• Instituição Sede: Instituto de Física (IF). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Vinculado ao auxílio: 20/04867-2 - Física e instrumentação de altas energias com o LHC-CERN, AP.ESP
• Assunto(s): Física experimental de altas energias Aprendizagem profunda Luminosidade
• Palavra(s)-Chave do Pesquisador: Atlas | Deep Learning | Graph Neural Networks | Hgtd | Hl-Lhc | tracking | Experimental high energy physics

Resumo

Este trabalho propõe o estudo de novos métodos para a reconstrução de trajetórias e associação traço-vértice no experimento ATLAS do LHC-CERN para a fase de operação de alta luminosidade (HL-LHC). Para operar nesta fase de maior número de colisões simultâneas, o experimento ATLAS está construindo um novo sistema de reconstrução de trajetória, envolvendo a completa substituição do atual Inner Detector (ID) por um detector de maior granularidade e cobertura espacial, o Inner Tracker (ITk), e a adição de um detector de alta resolução temporal na região frontal do ATLAS, o High Granularity Timing Detector (HGTD).  Os métodos atuais de reconstrução de trajetória utilizam  filtros adaptativos nos quais o tempo de processamento aumenta quadraticamente com o número de pontos analisados. É esperado que com o aumento expressivo do número de colisões próton-próton simultâneas e com a maior segmentação dos futuros detectores, tal abordagem não consiga satisfazer os critérios de associação traço-vértice demandada pelo programa de pesquisa do HL-LHC. Para superar tal limitação, é importante a idealização de novos métodos de reconstrução que façam uso da maior segmentação proveniente do ITk, da informação temporal do HGTD e que operem com um tempo de processamento aceitável neste cenário desafiador causado pela operação em alta luminosidade. Serão estudados métodos de aprendizado profundo e processamento de sinais inovadores que possam ser implementados em arquiteturas heterogêneas CPU+GPU de maneira a manter um tempo de processamento aceitável. Por fim, os métodos estudados serão avaliados para sua utilização no experimento ATLAS por meio de simulações físicas dos detectores a serem instalados (ITk e HGTD). (AU)