Descripció del projecte
L’aprenentatge automàtic és una innovació moderna que ha ajudat les persones a millorar no només els processos industrials i professionals, sinó també la vida quotidiana. L’aprenentatge automàtic s’ha utilitzat en múltiples camps i indústries. Per exemple, diagnòstic mèdic, classificació d’objectes, associació d’aprenentatge, regressió i processament d’imatges.
Els sistemes intel·ligents basats en algoritmes d’aprenentatge automàtic tenen la capacitat d’aprendre de la informació passada o de dades històriques en condicions supervisades o no supervisades.
El reconeixement d’imatges és un dels usos més habituals de l’aprenentatge automàtic. La informació en energia que conté cada píxel normalment es processa i després s’analitza. Els algoritmes d’aprenentatge automàtic s’entrenen per analitzar la informació digital, per exemple. Intensitat de gris de 16 bits o tres intensitats RGB discretes per píxel per tal de determinar resultats específics a taxes d’èxit superiors al 95%. També es poden aplicar al pre-processament per optimitzar les taxes d’èxit de l’anàlisi.
El reconeixement d’imatges és un dels usos més comuns de l’aprenentatge automàtic (machine learning). La informació d’energia continguda en cada píxel es processa i després s’analitza mitjançant algoritmes entrenats per identificar patrons de la informació digital. L’èxit de l’aprenentatge automàtic ha impulsat noves estratègies de processament d’imatges en l’espectre visible mitjançant xarxes neuronals, inclòs l’aprenentatge profund (deep learning) on es necessiten menys recursos per entrenar els algorismes. No obstant això, encara hi ha relativament pocs mètodes d’aprenentatge automàtic o profund que s’utilitzen per classificar imatges en bandes d’energia superior de l’espectre electromagnètic, per exemple radiografia [1]. En part, això es deu al baix contrast de les imatges natives, a la dificultat de separar els nivells d’energia (l’equivalent del color en visible) o a l’alta velocitat i a l’aparició poc freqüent d’esdeveniments.
Per a la part industrial d’aquest projecte, s’ha instal·lat un detector de raigs X de comptatge de fotons avançat desenvolupat a IFAE en un sistema d’inspecció de raigs X. Cada píxel del detector registra simultàniament dues energies discretes i, per tant, proporciona una imatge de dos canals perfectament registrada. Aquestes noves dades poden desbloquejar dos problemes importants que existeixen en la inspecció industrial en línia:
1) detecció d’anomalies, per exemple cossos estranys en aliments o begudes.
2) discriminació entre diferents materials.
El repte important d’aprenentatge automàtic és aplicar les dades d’energia dual i la sensibilitat del detector a situacions industrials on els productes inspeccionats poden tenir presentacions no uniformes, forma no uniforme, particions de densitat natural o gruix variable.
Per tant, l’objectiu principal d’aquest projecte és desenvolupar i demostrar una solució d’aprenentatge automàtic per a tres aliments on l’entrada d’objectes estranys lleugers és un risc conegut.
Aquest projecte també tindrà un component acadèmic que es desenvoluparà a ATLAS, un dels experiments polivalents del LHC.
En el context de la física d’alta energia (HEP), també l’aprenentatge automàtic juga un paper important. El seu ús està molt generalitzat en tots els passos dels projectes: reconstrucció d’imatges, identificació de partícules o raigs, classificació, recerca de nova física i seguiment.
El LHC va tenir proves molt reeixides des del començament de les col·lisions el 2010, com el descobriment del bosó de Higgs el 2010, les mesures de SM, la cerca de SUSY i partícules exòtiques. El 2027 s’actualitzarà a LHC d’alta lluminositat (HL-LHC) amb una lluminositat 3 vegades superior a les condicions anteriors. Per mantenir el seu rendiment, el detector ATLAS s’actualitzarà per a aquesta nova fase: nou detector interior (ITk), importants modificacions en el sistema de calorímetres i muons, el trigger i DAQ es tornaran a treballar completament. A més, es col·locarà un detector basat en tecnologia de Si per mesurar temps a prop del tub de feix: Detector de temps de granularitat elevada (HGTD).
La reconstrucció de traces serà molt difícil en aquest nou entorn on la densitat dels vèrtexs és d’aproximadament 1,5 per mm. El nou detector ITk proporcionarà una resolució i una cobertura de posició z acceptables en una regió substancial. HGTD ajudarà a mitigar els efectes d’amuntegament amb informació del temps amb una pseudorapidesa elevada.
El desenvolupament de nous mètodes per a la reconstrucció de partícules carregades a l’HL-LHC que incorpora tècniques d’aprenentatge automàtic o basat completament en l’aprenentatge automàtic és una àrea de recerca vibrant. En els darrers dos anys, els algorismes per al reconeixement de patrons de traces basats en xarxes neuronals gràfiques (GNN) han aparegut com un enfocament especialment prometedor.
Aquest projecte revisarà l’estat de l’art en reconstrucció de partícules carregades a l’experiment ATLAS i proposarà un nou mètode basat en GGN que combina informació ITk i HGTD per a HL-LHC.
