| Sumario: | Aquesta tesi se centra en contribucions de software per l'experiment LHCb al CERN, específicament pel sistema de calorímetres en el context de l'anomenat Upgrade I. Les contribucions principals se centren en l'estudi d'algoritmes alternatius per la reconstrucció de dades del calorímetre d'LHCb. En el primer enfocament, s'utilitza una tècnica d'aprenentatge profund segmentat, basada en descompondre el problema de reconstrucció en passos que són apresos per xarxes neuronals convolucionals petites. Tot i que els resultats són prometedors, el mètode manca d'un motor d'inferència eficient dins del marc de software d'LHCb. En el segon enfocament, es presenta un algoritme de reconstrucció basat en grafs, que presenta una resolució dels clústers reconstruits equivalent al mètode usat a l'expeiment però amb una eficiència més alta i un temps d'execució significativament millorat. Aquesta proposta ha passat a ser la solució predeterminada per la reconstrucció del calorímetre durant el període de presa de dades actual anomenat Run 3. A més a més, aquesta tesis també inclou una primera proposta per millorar l'algoritme actual de reconstrucció del calorímetre en el marc del sistema de trigger en GPU, anomenat Allen, mentres que les dues propostes anteriors estan dissenyats per la seqüència de reconstrucció del trigger en CPU, anomenat HLT2.
D'altra banda, la tesi aborda part de la posada en marxa del calorímetre pel Run 3, detallant la tasca de time alignment per al calorímetre Electromagnètic i l'Hadrònic. El que implica l'adaptació del mètode utilitzat anteriorment a la nova electrònica, la recopilació i l'anàlisi de dades, i donar un alineament temporal als aproximadament 10,000 canals dels calorímetres amb una precisió d'1 ns.
|
|---|
