«Segmentación y Seguimiento de Muones Utilizando Técnicas de Deep Learning para el Experimento CONNIE», se denomina el Trabajo Final de Grado (TFG) presentado por los ahora ingenieros Edith Karina Aquino Cantero y Carlos Alberto Silva Gines, como prueba final para egresar de la carrera de Ingeniería Mecatrónica de la Facultad de Ingeniería de la Universidad Nacional de Asunción (FIUNA). La defensa del trabajo se realizó el jueves 21 de Diciembre de 2023 en la Institución.

El aprendizaje y la ciencia de datos emerge como un pilar fundamental en la exploración de los vastos conjuntos de datos generados en la física de partículas en un análisis complejo para extraer información significativa. Los métodos tradicionales de análisis para tales conjuntos de datos pueden resultar lentos, demandantes en recursos humanos y susceptibles a errores. Por ello, el uso de algoritmos automáticos, como el aprendizaje profundo (Deep Learning) y el aprendizaje automático (Machine Learning), se ha vuelto cada vez más importante en los últimos años. Estos métodos permiten analizar eficientemente grandes conjuntos de datos, identificar patrones y clasificar eventos con precisión. La aplicación de estas técnicas puede potenciar considerablemente la velocidad y precisión de la investigación en física de partículas, facilitando la exploración de preguntas cada vez más complejas sobre la naturaleza del universo.

El experimento CONNIE (Coherent Neutrino-Nucleus Interaction Experiment) fue diseñado para detectar antineutrinos generados en reactores y para probar interacciones no estándar de neutrinos mediante la medición de los retrocesos de baja energía (CEVNS). En este experimento, se pueden emplear algoritmos automáticos para identificar muones entre otras partículas y estimar la contaminación de fondo del experimento. Este enfoque permite que los investigadores se centren en los fenómenos más significativos y raros, reduciendo significativamente el tiempo necesario para el análisis. Por lo tanto, el uso de algoritmos automáticos, como los utilizados en el experimento CONNIE, resulta crucial para mejorar nuestra comprensión de los bloques fundamentales del universo.

En relación con los muones, estos no son directamente detectados por CONNIE, pero desempeñan un papel crucial en la investigación. Los muones son partículas cargadas que se generan en abundancia a partir de la interacción de neutrinos y antineutrinos con la materia, especialmente en interacciones cósmicas de alta energía. El detector CONNIE, ubicado cerca del reactor nuclear Angra II en Angra dos Reis, Brasil, cuenta con 12 sensores CCD y ha estado registrando imágenes desde agosto de 2016. Aunque el software de extracción de datos desarrollado por la colaboración CONNIE cuenta con sus propios algoritmos de detección de eventos, carece de la capacidad para clasificar eventos individuales y superpuestos con precisión. Es importante señalar que, en física, cuando se habla de evento, se hace referencia a la interacción de una partícula estudiada con el material del detector, que luego, tras el proceso de reconstrucción, creará diferentes trazos en las imágenes. En este contexto, el Trabajo Final de Grado propuso técnicas para la segmentación de instancias y se desarrollaron modelos para clasificar muones y detectar eventos superpuestos. Los resultados mostraron 99 % de exactitud en seguimiento y una precisión media de 48.5 %, con el modelo logrando un 61.1 % de precisión en la detección de objetos. Estos hallazgos resaltan el potencial de los modelos y su relevancia en entender las variaciones en la tasa de muones en CONNIE.