Análise de Dados e simulação em FAE usando aprendizado de máquina.

• Processo: 24/17851-8
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de novembro de 2024
• Data de Término da vigência: 31 de agosto de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Física - Física das Partículas Elementares e Campos
• Pesquisador responsável: Sergio Ferraz Novaes
• Beneficiário: Marcio de Sousa Mateus Junior
• Instituição Sede: Núcleo de Computação Científica (NCC). Universidade Estadual Paulista (UNESP). Campus de São Paulo. São Paulo , SP, Brasil
• Vinculado ao auxílio: 18/25225-9 - Centro de Pesquisa e Análise de São Paulo, AP.ESP
• Assunto(s): Análise de dados Aprendizado computacional Grande Colisor de Hádrons Física de alta energia
• Palavra(s)-Chave do Pesquisador: Análise de Dados | Aprendizado de Máquina | Large Hadron Collider | Física de Altas energias

Resumo

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.