Speaker
Description
O algoritmo NeuralRinger atua no segundo nível de trigger do ATLAS e usa as células do calorímetro eletromagnético e hadrônico para construir anéis concêntricos de deposição de energia em torno da célula de deposição máxima de energia. Este processo preserva as informações lateral e longitudinal da forma do chuveiro e a sua interpretação da física, ao mesmo tempo em que reduz a quantidade de informação, em relação ao uso de todas as células de uma Região de Interesse (ROI). A soma das energias das células que formam cada anel é utilizada em um teste de hipóteses, determinando se o evento deve ser descartado ou não. No ATLAS, a decisão é tomada por uma combinação de redes neurais, atuando em setores determinados pela posição no detector ou pela faixa de energia transversa.
Este trabalho concentra-se na aplicação do NeuralRinger para regiões de baixa energia ($E_T<15\,GeV$), que é uma proposta alternativa ao método atual (Cut based). Para tal, são utilizados elétrons provenientes do decaimento $J/\Psi \to ee$. A contribuição dos elétrons produzidos pelo decaimento da $J/\Psi$ vem de duas fontes: prompt production, quando a $J/\Psi$ é produzida na colisão próton-próton ou nos decaimentos radioativos, ou non-prompt production, quando $J/\Psi$ é produzida no decaimento de um quark $b$. Este trabalho utiliza elétrons de prompt production para o treinamento do ensemble de redes neurais. Resultados preliminares serão apresentados utilizando dados de colisão do ATLAS de $2017$.
