El embargo de animales y el art. 584 LEC

Outra proposta para se identificar a evolução do chuveiro no calorímetro é abordada por um algoritmo alternativo proposto, com o objetivo de identificar as partículas eletromagnéticas. Os sinais produzidos pelos calorímetros para uma RoI de tamanho 0,4 x 0,4 em η × φ possuem dimensões elevadas e não uniforme devido à granularidade de cada camada dos calorímetros do ATLAS. O processo de anelamento tem por objetivo extrair, de maneira compacta, o perfil do chuveiro produzido por um evento em cada camada dos calorímetros. Desta maneira, a dimensão da informação é padronizada, porém mantendo sua interpretação física.

O algoritmo de anelamento localiza a célula quente, a célula de maior energia, de cada camada, a partir dessa localização ele agrupa as células contidas em uma região de 0,4 x 0,4 em η × φ em anéis concêntricos construídos ao redor da célula quente.

Ao final do processo de anelamento, as energias absorvidas pelas células pertencentes a um dado anel são somadas, produzindo um único valor (soma por anel). A Fig.4.4 mostra como as células se organizam em anéis para diferentes camadas dos calorímetros eletromagnético e hadrônico. Como o L2 calcula um novo centro na RoI formada a partir da informação fornecida pelo L1, anéis podem por ventura necessitar de células exteriores a RoI, e essas, não estando disponíveis para o L2, geram anéis incompletos, como aqueles ilustrados para o PS a partir do terceiro anel mostrado na Fig.4.4. No caso de nenhuma célula estar disponível para um dado anel, é então atribuído valor nulo ao mesmo para garantir que o processo complete o número necessário no preenchimento da região. Os anéis esboçados na Fig.4.4 são meramente ilustrativos, não possuindo a proporção real para cada uma das camadas, nem o número de anéis totais para cada uma delas. Um total de 100 anéis foi especificado inicialmente, sendo os anéis divididos conforme as camadas da maneira indicada na tabela contida no final dessa figura. Note que a quantidade de anéis é proporcional à granularidade de cada camada. Em uma discriminação não segmentada, os anéis são concatenados em um grande vetor de dados, como indicado.

Após a extração dos dados, os resultados passam por um processo de normalização pela energia total. Neste método a energia de cada um dos anéis produzidos é dividida pela energia total dos anéis. Desta maneira há uma redução da influência da energia de cada evento nas análises, mantendo a proporção de energia contida em cada anel (TORRES, 2010).

Classificadores Neurais

Uma vez normalizados os dados, o processo de discriminação elétron/jato é feito a partir de Redes Neurais Artificiais. A rede neural utilizada é do tipo multi-layer perceptron totalmente conectada, contendo uma única camada escondida. A camada de entrada recebe o vetor de dados com os 100 anéis normalizados. A camada escondida é formada por 10

52 neurônios tendo como função de ativação a tangente hiperbólica. A camada de saída contém apenas um neurônio também com função de ativação tangente hiperbólica, sendo os valores de saída +1 para elétrons e -1 para jatos.

53 É necessário realizar o treinamento das RNAs para que as mesmas possam, de fato, reconhecer padrões. Para o processo de treinamento se utilizou, na inicialização dos pesos, o algoritmo de Nguyen-Widrow, enquanto no treinamento o Resilient Back-propagation (RPROP), devido a sua simplicidade de uso e rápida convergência. Para realizar o treinamento secciona-se o conjunto de dados em três partes:

 Conjunto de Treino (TRN) (neste estudo totalizando 50% dos dados em casos de pouca estatística e 33% no oposto): no qual se será atualizado os pesos sinápticos da RNA de modo a minimizar uma função custo, na qual a utilizada foi o Erro Quadrático Médio (MSE);

 Conjunto de Validação (VAL) (16,6% / 33,3%): utilizado para garantir a boa generalização da RNA;

 Conjunto de Teste (TST) (33,3% para ambos os casos): estatística não observada pela RNA durante seu treinamento, utilizada para testar sua performance.

Para a análise de eficiência de discriminação, alguns parâmetros precisam ser definidos:

 Taxa de Detecção (DET): taxa de uma classe corretamente identificada pelo discriminador. Geralmente se refere a taxa de sinal, no caso do Canal e/γ a Taxa de Detecção de elétrons, pósitrons e fótons (DETe/γ), mas também podendo ser utilizada para o caso de ruído, Taxa de Detecção de hádrons (DETj). Caso não identificado a classe de detecção, então se estará referindo a DETe/γ;

 Taxa de Falso Alarme (FA): taxa da classe constituinte de ruído erroneamente identificada pelo discriminador. No Canal e/γ a taxa de hádrons que formam os jatos hadrônicos identificados como e/γ.

Dois critérios podem ser utilizados para medir a figura de mérito da RNA durante o treinamento, aplicando-se aos conjuntos de validação e teste: MSE e Produto Soma- Produto (SP). O MSE visa encontrar o ponto onde as saídas da RNA ficam o mais próximo possível do alvo especificado. O SP é relacionado, no caso de discriminação binária, por:

√√ √( ) (24)

O número de épocas (ou iterações) de treinamento foi ilimitado, de forma que o critério de parada para o processo de treinamento utilizado é de 50 falhas na tentativa de melhora da figura de mérito para a validação. Utilizou-se o critério Save the Best, onde os pesos sinápticos na época com o melhor resultado da figura de mérito para o conjunto de teste são armazenados para a utilização da rede. Foi utilizado o critério de batelada, onde se sorteia os dados a se realizarem o treinamento, com o tamanho do menor conjunto de dados de treinamento, geralmente sendo esse o de elétrons, para evitar uma maior

54 estatística de um dos conjuntos durante o treinamento. O processo de treinamento é repetido N vezes para evitar-se flutuação estatística, inicializando novos pesos aleatórios para cada configuração testada.

Após o treinamento é possível especificar a DET (no caso de partículas e/γ) e FA através da escolha do limiar de decisão, aonde valores maiores ao limiar serão considerados como e/γ e os menores jatos. O SP tenta conciliar o compromisso entre a detecção de partículas e/γ e jatos, o que não é desejado quando no SF, onde se deseja apenas filtrar os eventos a capacidade de armazenamento e processamento a posteriori, evitando a perda prematura dos dados. Assim, o SP é utilizado apenas como figura de mérito para o treinamento das redes, e não como critério de seleção para o limiar de decisão, que visa buscar a melhor DET sem comprometer a capacidade de armazenamento e processamento a posteriori.