Innovaciones en la reconstrucción del Calorímetro para el experimento LHCb

Esta tesis se centra en contribuciones de software para el experimento LHCb en el CERN, específicamente para el sistema de calorímetros en el contexto del llamado Upgrade I. Las contribuciones principales se centran en el estudio de algoritmos alternativos para la reconstrucción de datos de los calorímetros. El primer enfoque utiliza una técnica de aprendizaje profundo segmentado, descomponiendo el problema de reconstrucción en pasos que son aprendidos por pequeñas redes neuronales convolucionales. Aunque los resultados son prometedores, el método carecía de un motor de inferencia eficiente dentro del marco de software de LHCb. El segundo enfoque presenta un algoritmo de reconstrucción basado en grafos, con una resolución de los clústeres reconstruidos equivalente al método existente en LHCb, pero con una mayor eficiencia y un tiempo de ejecución significativamente mejorado. Esta propuesta ha pasado a ser la solución predeterminada para la reconstrucción del calorímetro durante el período de toma de datos actual llamado Run 3. Además, esta tesis también incluye una primera propuesta para mejorar el algoritmo actual de reconstrucción del calorímetro en el marco del sistema de trigger en GPU, llamado Allen, mientras que los dos enfoques anteriores están diseñados para la secuencia de reconstrucción del trigger en CPU, llamado HLT2.

Por otro lado, la tesis aborda parte de la puesta en marcha de los calorímetros para el Run 3, detallando la tarea de time alignment para los calorímetros Electromagnético y Hadrónico. Esto implica la adaptación del método anterior a la nueva electrónica, la recopilación y el análisis de datos, y hacer la alineación temporal de los aproximadamente 10,000 canales de los calorímetros con una precisión de 1 ns.