Caros Leitores;
Durante a terceira execução do LHC, os pesquisadores do experimento implementaram uma técnica inovadora de aprendizado de máquina que melhorará a qualidade dos dados de um dos componentes mais cruciais do detector
Na busca para descobrir as partículas e forças fundamentais da natureza, um dos desafios críticos enfrentados pelos experimentos de alta energia no Large Hadron Collider (LHC) é garantir a qualidade das vastas quantidades de dados coletados. Para fazer isso, sistemas de monitoramento de qualidade de dados estão em vigor para os vários subdetectores de um experimento e eles desempenham um papel importante na verificação da precisão dos dados.
Um desses subdetectores é o calorímetro eletromagnético CMS (ECAL), um componente crucial do detector CMS . O ECAL mede a energia de partículas, principalmente elétrons e fótons, produzidas em colisões no LHC, permitindo que os físicos reconstruam decaimentos de partículas. Garantir a precisão e a confiabilidade dos dados registrados no ECAL é fundamental para a operação bem-sucedida do experimento.
Durante a 3ª execução do LHC, que está em andamento, os pesquisadores do CMS desenvolveram e implantaram uma técnica inovadora de aprendizado de máquina para aprimorar o atual sistema de monitoramento de qualidade de dados do ECAL. Detalhado em uma publicação recente, essa nova abordagem promete tornar a detecção de anomalias de dados mais precisa e eficiente. Essa capacidade em tempo real é essencial no ambiente acelerado do LHC para detecção e correção rápidas de problemas do detector, o que, por sua vez, melhora a qualidade geral dos dados. O novo sistema foi implantado no barril do ECAL em 2022 e nas tampas finais em 2023.
O sistema tradicional de monitoramento de qualidade de dados do CMS consiste em software convencional que depende de uma combinação de regras predefinidas, limites e inspeções manuais para alertar a equipe na sala de controle sobre possíveis problemas de detector. Essa abordagem envolve definir critérios específicos para o que constitui comportamento normal de dados e sinalizar desvios. Embora eficazes, esses métodos podem potencialmente perder anomalias sutis ou inesperadas que não se encaixam em padrões predefinidos.
Em contraste, o novo sistema baseado em machine learning é capaz de detectar essas anomalias, complementando o sistema tradicional de monitoramento de qualidade de dados. Ele é treinado para reconhecer o comportamento normal do detector a partir de bons dados existentes e detectar quaisquer desvios. A pedra angular dessa abordagem é um sistema de detecção de anomalias baseado em autoencoder. Autoencoders, um tipo especializado de rede neural, são projetados para tarefas de aprendizado não supervisionadas.
O sistema, alimentado com dados ECAL na forma de imagens 2D, também é adepto de detectar anomalias que evoluem ao longo do tempo graças a novas estratégias de correção. Esse aspecto é crucial para reconhecer padrões que podem não ser imediatamente aparentes, mas se desenvolvem gradualmente.
O novo sistema baseado em autoencoder não apenas aumenta o desempenho do detector CMS, mas também serve como um modelo para detecção de anomalias em tempo real em vários campos, destacando o potencial transformador da inteligência artificial. Por exemplo, setores que gerenciam fluxos de dados de alta velocidade e larga escala, como os setores de finanças, segurança cibernética e saúde, podem se beneficiar de sistemas semelhantes baseados em aprendizado de máquina para detecção de anomalias, aumentando sua eficiência operacional e confiabilidade.
O CMS é apenas um dos muitos experimentos no CERN que está melhorando seu desempenho usando IA, automação e aprendizado de máquina. Leia mais sobre isso aqui .
Para saber mais, acesse o link>
Fonte: CERN
https://home.cern/news/news/experiments/cms-develops-new-ai-algorithm-detect-anomalies
=======================
Acesse, o link da Livraria> https://www.orionbook.com.br/
Page: http://econo-economia.blogspot.com
Page: http://pesqciencias.blogspot.com.br
Page: http://livroseducacionais.blogspot.com.br
e-mail: heliocabral@coseno.com.br
e-mail: cabralhelio@hotmail.com
Nenhum comentário:
Postar um comentário