Publicação
Machine-learning methods for scatter classification at LZ
| Resumo: | Esta dissertação explora a aplicação de métodos de aprendizagem automática (Machine Learning ML) para a identificação de interações na experiência LUX-ZEPLIN (LZ), uma dos principais experiências de deteção direta de matéria escura (Dark Matter - DM). Esta tarefa exige uma análise de dados bastante precisa para permitir distinguir entre fundo e sinal. Um passo da análise de LZ é determinar o fenómeno que originou o evento - os fenómenos mais relevantes para esta tese são espalhamentos únicos e espalhamentos múltiplos. O foco principal é o desenvolvimento e avaliação de duas abordagens de ML distintas: um método modular para identificar os pulsos relevantes (proeminentes) dentro dos eventos de LZ, e um método direto baseado nas formas de onda do evento para a classificação do espalhamento. A primeira abordagem, denominada ProFinder, utiliza uma rede neural baseada numa camada Long Short-Term Memory (LSTM) para classificar os pulsos como proeminentes ou não proeminentes com base em Quantidades Reduzidas (Reduced Quantities - RQs) derivadas do Programa de Análise de LZ (LZap). O modelo é treinado num conjunto de dados diversificados com eventos de calibração e de fundo; o seu desempenho é avaliado nos dados de treino e em dados não representados nos dados de treino, incluindo eventos de fundo e eventos de calibração com neutrões de deutério-deutério (DD). A segunda abordagem centra-se na classificação de espalhamentos baseada diretamente na resposta dos sensores de luz de LZ ao evento, onde uma rede neural que utiliza camadas convolucionais unidimensional (one-dimensional convolutional layers - Conv1D) é utilizada para processar o evento e classificá-lo diretamente como Espalhamento Único (Single Scatter - SS) ou Não Espalhamento Único (Non-Single Scatter - NonSS). Este método visa fornecer um caminho mais independente do LZap para a classificação do espalhamento. Ambas abordagens apresentam desafios comuns, como a baixa quantidade e qualidade de dados de treino; apresentam também desafios específicos, tal como a exigência computacional da segunda abordagem. As soluções encontradas para resolver ou contornar estes desafios estão também expostas nesta dissertação. |
|---|---|
| Autores principais: | Ferreira, Rui Lucas Oliveira Faria |
| Assunto: | Aprendizagem automática Deteção direta de matéria escura Dark matter direct detection Machine-learning Ciências Naturais::Ciências Físicas |
| Ano: | 2025 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade do Minho |
| Idioma: | inglês |
| Origem: | RepositóriUM - Universidade do Minho |
| Resumo: | Esta dissertação explora a aplicação de métodos de aprendizagem automática (Machine Learning ML) para a identificação de interações na experiência LUX-ZEPLIN (LZ), uma dos principais experiências de deteção direta de matéria escura (Dark Matter - DM). Esta tarefa exige uma análise de dados bastante precisa para permitir distinguir entre fundo e sinal. Um passo da análise de LZ é determinar o fenómeno que originou o evento - os fenómenos mais relevantes para esta tese são espalhamentos únicos e espalhamentos múltiplos. O foco principal é o desenvolvimento e avaliação de duas abordagens de ML distintas: um método modular para identificar os pulsos relevantes (proeminentes) dentro dos eventos de LZ, e um método direto baseado nas formas de onda do evento para a classificação do espalhamento. A primeira abordagem, denominada ProFinder, utiliza uma rede neural baseada numa camada Long Short-Term Memory (LSTM) para classificar os pulsos como proeminentes ou não proeminentes com base em Quantidades Reduzidas (Reduced Quantities - RQs) derivadas do Programa de Análise de LZ (LZap). O modelo é treinado num conjunto de dados diversificados com eventos de calibração e de fundo; o seu desempenho é avaliado nos dados de treino e em dados não representados nos dados de treino, incluindo eventos de fundo e eventos de calibração com neutrões de deutério-deutério (DD). A segunda abordagem centra-se na classificação de espalhamentos baseada diretamente na resposta dos sensores de luz de LZ ao evento, onde uma rede neural que utiliza camadas convolucionais unidimensional (one-dimensional convolutional layers - Conv1D) é utilizada para processar o evento e classificá-lo diretamente como Espalhamento Único (Single Scatter - SS) ou Não Espalhamento Único (Non-Single Scatter - NonSS). Este método visa fornecer um caminho mais independente do LZap para a classificação do espalhamento. Ambas abordagens apresentam desafios comuns, como a baixa quantidade e qualidade de dados de treino; apresentam também desafios específicos, tal como a exigência computacional da segunda abordagem. As soluções encontradas para resolver ou contornar estes desafios estão também expostas nesta dissertação. |
|---|
Atividades financiadas
Não foram encontrados projetos financiados.