Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/39320| Título: | Classificação de sabores de neutrinos no experimento ICARUS usando redes visuais convolucionais |
| Título(s) alternativo(s): | Neutrino flavor classification in ICARUS experiment using convolutional visual networks |
| Autor(es): | Wieler, Felipe André |
| Orientador(es): | Lisbôa, André Fabiano Steklain |
| Palavras-chave: | Neutrinos Aprendizado do computador - Aplicações científicas Partículas (Física nuclear) Visão por computador Física - Experiências Machine learning - Scientific applications Particles (Nuclear physics) Computer vision Physics - Experiments |
| Data do documento: | 14-Jan-2026 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Curitiba |
| Citação: | WIELER, Felipe André. Classificação de sabores de neutrinos no experimento ICARUS usando redes visuais convolucionais. 2026. Dissertação (Mestrado em Física e Astronomia) - Universidade Tecnológica Federal do Paraná, Curitiba, 2026. |
| Resumo: | Neste trabalho, adapto a abordagem da Convolutional Visual Network (CVN) para o detector ICARUS, incorporando métodos de junção de TPC inspirados no NuGraph. A técnica de junção utilizada aqui é única para o ICARUS, projetada especificamente para lidar com a segmentação distinta do detector. Em seguida, realizei o re-treinamento da rede utilizando dados específicos do ICARUS. Este estudo ressalta a flexibilidade dos modelos de aprendizado profundo em física de altas energias e a importância de considerar as características específicas de cada detector ao transferir técnicas de aprendizado de máquina entre experimentos. Esta dissertacao apresenta os métodos, o desempenho da classificação e as percepções obtidas com a aplicação da CVN aos dados do ICARUS. |
| Abstract: | In this work, I adapt the Convolutional Visual Network (CVN) approach to the ICARUS detector by incorporating TPC stitching methods inspired by NuGraph. The stitching technique used here is unique to ICARUS, designed specifically to handle its distinct detector segmentation’s. I then retrain the network using ICARUS-specific data. This study underscores the flexibility of deep learning models in high-energy physics and the importance of accounting for detector-specific features when transferring machine learning techniques between experiments. This dissertation presents the methods, classification performance, and insights gained from applying CVN to ICARUS data. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/39320 |
| Aparece nas coleções: | CT - Programa de Pós-Graduação em Física e Astronomia |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| classificacaoneutrinosicarusredes.pdf | 7,46 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
