IDENTIFICAÇÃO DE PARTÍCULAS EM ALTAS ENERGIAS UTILIZANDO MÉTODOS DE APRENDIZADO DE MÁQUINA

IDENTIFICAÇÃO DE PARTÍCULAS EM ALTAS ENERGIAS UTILIZANDO MÉTODOS DE APRENDIZADO DE MÁQUINA

Silva, João Paulo Seixas Alves e; Ferreira, Cristine Nunes; Hora, Henrique Rego Monteiro da; Moura, Luiz Gustavo Lourenço

Artigo Completo:

No campo da física de altas energias são produzidas atualmente massivas quantidades de dados necessitando de ferramentas tecnológicas que apoiem suas pesquisas e descobertas. Este trabalho tem por objetivo a comparação de duas técnicas de aprendizado de máquina: árvores de decisão e redes neurais. A suposição fundamentada em trabalhos correlatos demonstra que as redes neurais desenvolvem melhor em trabalhos de classificação entre outras aplicações. Apoiando-se nisso, a classificação de partículas subatômicas em altas energias estudado a partir de bases de dados do grande colisor de hádrons do CERN, chegou a uma conclusão ímpar ao se utilizar tais métodos e no fim comparando-os. Ao fim, ambos obtiveram resultados muito semelhantes.

No campo da física de altas energias são produzidas atualmente massivas quantidades de dados necessitando de ferramentas tecnológicas que apoiem suas pesquisas e descobertas. Este trabalho tem por objetivo a comparação de duas técnicas de aprendizado de máquina: árvores de decisão e redes neurais. A suposição fundamentada em trabalhos correlatos demonstra que as redes neurais desenvolvem melhor em trabalhos de classificação entre outras aplicações. Apoiando-se nisso, a classificação de partículas subatômicas em altas energias estudado a partir de bases de dados do grande colisor de hádrons do CERN, chegou a uma conclusão ímpar ao se utilizar tais métodos e no fim comparando-os. Ao fim, ambos obtiveram resultados muito semelhantes.

Palavras-chave:

DOI: 10.5151/spolm2019-105

Referências bibliográficas

• [1] ADAM-BOURDARIOS, C. et al. The Higgs Machine Learning Challenge. Journal of Physics: Conference Series, v. 664, n. 7, p. 072015, 23 dez. 2015. AURISANO, A. et al. A Convolutional Neural Network Neutrino Event Classifier. Journal of Instrumentation, v. 11, n. 09, p. P09001–P09001, 1 set. 2016. BALDI, P.; SADOWSKI, P.; WHITESON, D. Searching for Exotic Particles in High-Energy Physics with Deep Learning. Nature Communications, v. 5, n. 1, dez. 2014. CARMINATI, F. et al. Calorimetry with Deep Learning: Particle Classification, Energy Regression, and Simulation for High-Energy Physics. p. 6, 2017. CARON, S. et al. The BSM-AI project: SUSY-AI–generalizing LHC limits on supersymmetry with machine learning. The European Physical Journal C, v. 77, n. 4, abr. 2017. COHEN, T.; FREYTSIS, M.; OSTDIEK, B. (Machine) learning to do more with less. Journal of High Energy Physics, v. 2018, n. 2, fev. 2018. DI MEGLIO, A. et al. Cern Openlab White Paper On Future Ict Challenges In Scientific Research. [s.l.] Zenodo, 21 set. 2017. Disponível em: <https://zenodo.org/record/998694>. Acesso em: 13 dez. 2018. DI MEGLIO, A. et al. CERN openlab white paper on future ICT challenges in scientific research. [s.l: s.n.]. HERTEL, L. et al. Convolutional Neural Networks for Electron Neutrino and Electron Shower Energy Reconstruction in the NOvA Detectors. p. 5, 2017. KUO, M. H. et al. Health big data analytics: current perspectives, challenges and potential solutions. International Journal of Big Data Intelligence, v. 1, n. 1/2, p. 114, 2014. LIPPMANN, C. Particle identification. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, v. 666, p. 148–172, fev. 2012. ROE, B. P. et al. Boosted decision trees as an alternative to artificial neural networks for particle identification. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, v. 543, n. 2–3, p. 577–584, maio 2005. Whitepaper_brochure_ONLINE.pdf. , [s.d.]. Disponível em: <http://cds.cern.ch/record/2301895/files/Whitepaper_brochure_ONLINE.pdf>. Acesso em: 13 dez. 2018 XIONG, W.; JIN, Y. Hybrid multi-selection based on swarm intelligence and decision tree. The Journal of China Universities of Posts and Telecommunications, v. 19, p. 128–134, out. 2012. YANG, H.-J.; ROE, B. P.; ZHU, J. Studies of stability and robustness for artificial neural networks and boosted decision trees. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, v. 574, n. 2, p. 342–349, maio 2007.

Como citar:

Silva, João Paulo Seixas Alves e; Ferreira, Cristine Nunes; Hora, Henrique Rego Monteiro da; Moura, Luiz Gustavo Lourenço; "IDENTIFICAÇÃO DE PARTÍCULAS EM ALTAS ENERGIAS UTILIZANDO MÉTODOS DE APRENDIZADO DE MÁQUINA", p-1434-1449. In: Anais do XIX Simpósio de Pesquisa Operacional & Logística da Marinha. São Paulo: Blucher, 2020.
ISSN 21756295, DOI 10.5151/spolm2019-105