Detecção de Anomalias em Séries Temporais em Calorímetros Finamente Segmentados

Calorímetros são utilizados em experimentos de física de partículas para medição de energia. Falhas na instrumentação eletrônica podem produzir leituras incorretas, comprometendo o desempenho do experimento. Este artigo avalia técnicas para detectar anomalias em séries temporais aplicadas ao monitoramento da qualidade de dados de calorímetros. Três modelos de aprendizado de máquina (TranAD, iTransformer e LSTM-AE) são comparados em diferentes cenários anômalos para módulos mortos e ruído eletrônico aumentado. O TranAD obteve Coeficiente de Correlação de Matthews (MCC) de 0,775 para módulos mortos; o LSTM-AE obteve MCC de 0,240 para ruído, valor 29% superior ao de trabalhos anteriores.