Análise de dados em física de altas energias utilizando métodos de machine learning

• Processo: 25/02154-2
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de abril de 2025
• Data de Término da vigência: 30 de novembro de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Física - Física das Partículas Elementares e Campos
• Pesquisador responsável: Jun Takahashi
• Beneficiário: Matheus Guilherme Miotto
• Instituição Sede: Instituto de Física Gleb Wataghin (IFGW). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Assunto(s): Análise de dados Aprendizado computacional Método de Monte Carlo
• Palavra(s)-Chave do Pesquisador: Análise de Dados | Experimento Do Grande Colisor De Íons (Alice) | Geração De Dados Sintéticos | Grande Colisor de Hádrons (LHC) | machine learning | Simulações de Monte Carlo | Análise de dados e Machine Learning

Resumo

Em análises convencionais de física de altas energias, conjuntos de dados simulados de Monte Carlo (MC) são amplamente utilizados para a qualificação de cortes e eficiência da análise de dados reais, produzidos pelos experimentos. Esses dados simulados são gerados através de simulações numéricas - simulações de MC - e correspondem às características topológicas e cinemáticas das partículas criadas pelas colisões de íons pesados relativísticos, apresentando caráter harmônico com os dados reais. As simulações de MC, no entanto, apresentam custo elevado tanto em questão temporal quanto em termos computacionais. Dessa maneira, neste projeto de pesquisa de iniciação científica, propomos uma análise de dados em cima de conjuntos de dados simulados de MC de colisões de íons pesados a altas energias, utilizando métodos de Machine Learning (ML). Essa abordagem visa a otimização de análises convencionais de física de altas energias, assim como a potencialização de códigos de análise de dados para a busca de observáveis raros, proporcionando a quebra do custo das simulações de MC. Mais especificamente, buscamos a reconstrução de partículas via medida de decaimentos secundários, através da utilização de modelos generativos de ML, almejando a sintetização de dados condizentes com os dados reais. Para a realização da tarefa proposta, os conjuntos de dados simulados serão disponibilizados pelo Grupo de Física Hadrônica Experimental (HadrEx), em sua direta colaboração com o experimento "A Large Ion Collider Experiment" (ALICE) do "Large Hadron Collider" (LHC). Assim sendo, dentro desse contexto, citam-se alguns dos modelos generativos que serão utilizados: "Variational Autoencoder" (VAE); "Conditional Tabular Generative Adversarial Network" (CTGAN); "Denoising Diffusion Probabilistic Models" (DDPM). Este trabalho complementa a formação acadêmica do aluno, preparando-o para os cursos de pós-graduação na a¿ea de Física de Partículas a altas energias. Além disso, incentiva novos caminhos para análises padrões dentro do ramo de atuação.