Reconstruction et analyse d'événements de l'experience CMS avec intelligence artificielle
Auteur / Autrice : | Polina Simkina |
Direction : | Julie Malclès, Mehmet Özgür Şahin |
Type : | Thèse de doctorat |
Discipline(s) : | Physique des particules |
Date : | Soutenance le 20/09/2023 |
Etablissement(s) : | université Paris-Saclay |
Ecole(s) doctorale(s) : | École doctorale Particules, Hadrons, Énergie et Noyau : Instrumentation, Imagerie, Cosmos et Simulat |
Partenaire(s) de recherche : | Laboratoire : Département de physique des particules (Gif-sur-Yvette, Essonne) - Centre européen pour la recherche nucléaire |
référent : Faculté des sciences d'Orsay | |
graduate school : Université Paris-Saclay. Graduate School Physique (2020-....) | |
Jury : | Président / Présidente : Suzanne Gascon-Shotkin |
Examinateurs / Examinatrices : Jessica Levêque, Yann Coadou, Tommaso Tabarelli de Fatis, David Rousseau | |
Rapporteurs / Rapporteuses : Jessica Levêque, Yann Coadou |
Résumé
Les récents développements en matière de matériel informatique et d'algorithmes d'apprentissage profond, combinés à de vastes ensembles de données, ont permis d'accomplir des progrès impressionnants dans le domaine de l'intelligence artificielle (IA) au cours des dernières années. Bien qu'ils n'aient été que peu étudiés dans les collisions de particules à haute énergie, les algorithmes d'apprentissage profond ont déjà démontré leur capacité à classer les particules et les événements, à estimer les variables cinématiques et à détecter des anomalies. Ces capacités sont extrêmement utiles pour l'analyse de la quantité sans précédent de collisions proton-proton attendue lors des prochaines phases de fonctionnement du Grand Collisionneur de Hadrons (LHC) au CERN. Le détecteur CMS fera l'objet d'améliorations majeures pour faire face au nombre croissant de collisions supplémentaires par croisement du LHC ("pileup"), en bénéficiant de détecteurs plus finement segmentés et d'informations temporelles précises. L'un des sujets centraux de cette thèse est consacré au développement d'un logiciel d'acquisition de données polyvalent pour le nouveau détecteur temporel de temps de passage des particules chargées (MIP timing detector ou MTD). Outre les améliorations matérielles, le succès de ces mises à niveau dépendra fortement de techniques de traitement et d'analyse des événements qui devront être rapides, robustes, performantes et adaptatives. Par conséquent, la majorité des travaux réalisés dans le cadre de cette thèse sont consacrés au développement et au test de nouvelles méthodes de reconstruction basées sur l'IA pour le calorimètre électromagnétique de l'expérience CMS. Ces travaux couvrent deux étapes de la chaîne complète de reconstruction des objets électromagnétiques. La première est l'évaluation des variables cinématiques à partir des signatures énergétiques laissées par des particules uniques atteignant le calorimètre. La seconde combine ces particules en un amas, appelé SuperCluster, qui permet une reconstruction précise de l'énergie des particules électromagnétiques issues de la collision. Les deux tâches sont développées séparément, et pour chacune d'entre elles, un modèle d'IA dédié est créé et ses performances sont évaluées et comparées à l'approche traditionnelle actuelle.