Tese Mestrado

Quantum Jet Clustering Algorithms

Pedro Diogo De Assis Santos Birra

Quarta-feira, 29 de Novembro 2023 das 16:00 às 18:00
Este evento já terminou.
Online

O Large Hadron Collider (LHC), na Organização Europeia para a Investigação Nuclear (CERN), acelera principalmente feixes de protões uns contra os outros com o objetivo de testar modelos e teorias na Física Fundamental. Espera-se que comece a operar no regime de Alta Luminosidade (HL-LHC) no início de 2029. O HL-LHC irá permitir um aumento substancial do número de colisões de interesse, contribuindo para o estudo de um tipo ainda mais amplo de eventos. No entanto, a sobreposição de eventos indesejados, fenómeno chamado de Pileup, e muitos outros desafios tornarão a tarefa de reconstrução de eventos, especificamente o agrupamento de partículas em jatos (jet clustering), muito mais árdua.

Desta forma, é urgente melhorar os algoritmos atuais utilizados para a reconstrução de eventos e agrupamento de jatos ou desenvolver versões mais rápidas e eficientes. O foco desta Tese reside na exploração versões mais robustas e rápidas do K-Means, com ênfase numa implementação alternativa de uma sub-rotina quântica para o cálculo de distâncias euclidianas com base no procedimento de Swap Test. Propomos também uma aplicação mais flexível do K-Means, que descarta jatos com baixo momento transversal, de forma a que o número de jatos encontrados possa ser 0 e não 2, como o algoritmo regular do K-Means exigiria. São ainda abordadas algumas limitações do K-Means e exploramos a aplicabilidade do algoritmo quântico de Affinity Propagation para o problema do agrupamento de jatos. Finalmente, para lidar com o Pileup, fornecemos, até onde sabemos, a primeira incorporação de um algoritmo de mitigação de Pileup com o K-Means.

O desempenho dos nossos algoritmos é testado em comparação com referências clássicas, em particular algoritmos de recomposição sequencial, como o kt e o Anti-kt. Com a rotina quântica proposta e os cortes aplicados, os nossos algoritmos alcançaram uma melhor identificação de clusters e altas eficiências. Mostramos que a nossa implementação do K-Means é mais robusta e rápida, uma vez que a sub-rotina quântica proposta requer muito menos consultas do que o procedimento comum e calcula uma estimativa mais precisa da distância euclidiana.