Supervised neural network approach to modeling DUNE's LArTPC photon detector device

• Ano de defesa: 2023
• Autor(a) principal: Lopes, Tiago Vitor
• Orientador(a): Bezerra, Anibal Thiago
• Banca de defesa: Ferreira, Eric Batista, Lisboa, André Fabiano Steklain
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Alfenas
• Programa de Pós-Graduação: Programa de Pós-graduação em Física
• Departamento: Instituto de Ciência e Tecnologia
• País: Brasil
• Palavras-chave em Português: Machine learning.; Neural networks.; Dune experiment.; High energy physics.
• Área do conhecimento CNPq: FISICA::FISICA DAS PARTICULAS ELEMENTARES E CAMPOS
• Link de acesso: https://repositorio.unifal-mg.edu.br/handle/123456789/2416

Este trabalho apresenta o desenvolvimento e avaliação de uma rede neural artificial (RNA) como modelo de aprendizagem supervisionada para complementar a simulação do software ArapucaSim do comportamento de Arapucas, os dispositivos de captura de luz utilizados no Experimento DUNE, para modelar probabilidades de absorção de fótons. DUNE será um detector de neutrinos destinado a abordar questões fundamentais sobre a natureza das partículas elementares e o seu papel no universo. O Arapuca é o dispositivo proposto para o sistema de detecção do detector distante (Far Detector) do DUNE. O modelo de rede neural empregado é um modelo regressor que recebe como entradas as coordenadas de um gerador de fótons, juntamente com as posições no dispositivo de superfície onde o fóton colide e produz saídas que consistem na probabilidade de absorção para cada fóton. Os dados de entrada são obtidos a partir de simulações Geant4, especificamente do módulo ArapucaSim. Foram estudados dois casos: um em que os fótons chegam com incidência normal na superfície de Arapuca e outro incluindo a dependência angular. Embora a abordagem Geant4 exija horas para gerar resultados, após treinar o modelo de rede neural, probabilidades comparáveis são produzidas em segundos com alta precisão. Este trabalho mostra o potencial dos modelos de redes neurais como alternativas eficientes para simulações que prevêem probabilidades de absorção de fótons pelo sensor de luz com menor tempo e esforço computacional.