Estudió el comportamiento de los muones en función del tiempo, utilizando técnicas de aprendizaje auto-matizado, basándose en los resultados del Coherent Neutrino-Nucleus Interaction Experiment

«Deep-learning aplicado a la identificación de muones del experimento CONNIE», se denomina la presentación del Trabajo Final de Grado (TFG) que presentó el nuevo ingeniero Javier Alberto Bernal Sigala, como última prueba para egresar de la carrera de Ingeniería Mecatrónica de la Facultad de Ingeniería de la Universidad Nacional de Asunción (FIUNA). La exitosa defensa del trabajo se realizó el viernes 30 de Julio de 2021, en la Institución.

El aumento de la capacidad computacional y el avance en redes durante el siglo XXI han permitido acumular colecciones de datos cada vez mayores, trayendo así avances generalizados en las ciencias naturales y sociales. Esto ha acelerado el desarrollo de nuevas técnicas para analizar los datos y extraer información útil de los mismos. A partir de esto nace el campo de la ciencia de datos.

Utilizando principalmente métodos de análisis tradicionales, la física ha avanzado rápidamente, estableciendo el  Modelo Estándar de física de partículas y, más recientemente, su homólogo cosmológico, CDM. Los próximos años traerán cantidades sin precedentes de datos y complejidad en el Gran Colisionador de Hadrones (LHC), acelerando los protones en el CERN, así como en la frontera de intensidad y en otros lugares. Extraer la física subyacente de la misma manera se vuelve cada vez más desafiante, o simplemente imposible de manera oportuna. Eso explica la reciente chispa de interés en el aprendizaje automático.

Las ciencias físicas se encuentran en una posición única. Mientras que en muchos otros campos existen fundamentos o modelos teóricos menos firmes, los físicos tienen métodos bien establecidos para predecir y comparar los resultados de los experimentos con los cálculos teóricos, como atestiguan los numerosos éxitos del Modelo Estándar. Esto significa que se pueden desarrollar y aplicar métodos de aprendizaje automático motivados por la física, acelerando el proceso de aprendizaje y haciéndolo más eficiente y preciso. Al mismo tiempo, los impresionantes avances en la ciencia de datos y la tecnología informática ayudarán a abordar los próximos desafíos en la física de partículas.

En el experimento CONNIE, el cual busca detectar principalmente antineutrinos, se han detectado además, dentro del ruido de fondo, unas partículas de interés: los muones. Debido a la enorme cantidad de estas partículas detectadas, sería imposible hacer un conteo manual de las mismas, por este motivo el Trabajo Final de Grado presentado propuso aplicar el aprendizaje profundo a la identificación de muones en datos del experimento CONNIE.

Durante el experimento CONNIE (Coherent Neutrino-Nucleus Interaction Experiment) fueron colocados 12 sensores CCDs (charge-coupled devices) en las inmediaciones del reactor nuclear Angra dos Reis (Rio de Janeiro, Brasil), con el propósito de detectar los antineutrinos generados en el reactor y testear las interacciones no estándar de los  neutrinos a través de la medición de los recoils de baja energía (CEυNS). Los sensores han registrado imágenes de partículas durante los últimos 2 años, en intervalos de 3 horas, donde la mayoría son muones, producidos en el impacto de los rayos cósmicos con la atmósfera. Este trabajo tuvo por objetivo trazar la serie temporal de los muones, para poder estudiar y estimar el background del experimento. Para este fin se elaboró un algoritmo de clasificación de muones basados en conceptos de deep learning, que permitirá diferenciarlo de las otras partículas. Se implementaron redes neuronales convolucionales (CNN) para encontrar un clasificador de mayor eficiencia. Con el trabajo también se crearon un conjunto de datos de entrenamiento.

Puedes dejar una respuesta, o trackback desde tu propio sitio.

Deja un comentario