Reconstruction et analyse d'événements de l'experience CMS avec intelligence artificielle

Event reconstruction and analysis in CMS using artificial intelligence

• 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
• Partenaire(s) de recherche : référent : Faculté des sciences d'Orsay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Physique (2020-....)
• Jury : Président / Présidente : Suzanne Gascon-Shotkin
• Jury : Examinateurs / Examinatrices : Jessica Levêque, Yann Coadou, Tommaso Tabarelli de Fatis, David Rousseau
• Jury : Rapporteurs / Rapporteuses : Jessica Levêque, Yann Coadou

Mots clés

Mots clés contrôlés

Calorimètres électromagnétiques

Grand collisionneur de hadrons

Apprentissage profond

Intelligence artificielle

Vision par ordinateur

Temps -- Mesure

Mots clés libres

Mesures précises de temps

Vision par ordinateur

Intelligence artificielle

Apprentissage profond

LHC

CMS

Precise timing

Computer vision

Artificial intelligence

Deep learning

LHC

CMS

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.

Recent developments in computer hardware and deep-learning algorithms, combined with large datasets, lead to impressive progress in artificial intelligence (AI) in the past few years. Although only marginally studied in high-energy particle collisions, deep-learning algorithms already demonstrated the ability to perform particle and event classification, estimation of kinematic variables, and anomaly detection. Those abilities are extremely useful in the analysis of the unprecedented amount of proton-proton collisions expected in the next running phases of the Large Hadron Collider (LHC) at CERN. The CMS detector will undergo major upgrades to deal with the increasing number of additional collisions per LHC bunch crossing (pileup), benefiting from more finely segmented detectors and precise timing information, and one of the central subjects of this thesis is dedicated to the development of versatile data acquisition software for the new MIP Timing Detector. In addition to hardware improvements, the success of these upgrades will heavily depend on fast, robust, and adaptive event processing and analysis techniques. Consequently, the majority of the work performed for this thesis is dedicated to developing and testing new AI-based reconstruction methods for the electromagnetic calorimeter of the CMS experiment. It covers two steps of the full chain of electromagnetic object reconstruction. The first one is the evaluation of the kinematic variables from the energy signatures left by standalone particles in the calorimeter. The second one combines these standalone particles into a unified object known as SuperCluster, which is crucial for accurate particle energy reconstruction. Both of the tasks are developed separately, and for each of them, a dedicated AI model is created and its performance is assessed and compared with the current traditional approach.