Étude de l’isolation des photons et recherche de particules de type axion se désintégrant en paires de photons collimatés par machine learning avec le détecteur ATLAS au LHC

Study of photon isolation and search for axion-like particles decaying into collimated photon pairs using machine learning with the ATLAS detector at the LHC

• Auteur / Autrice : Romain van den Broucke
• Direction : José Ocariz
• Type : Thèse de doctorat
• Discipline(s) : Physique de l'univers
• Date : Soutenance le 25/09/2025
• Etablissement(s) : Université Paris Cité
• Ecole(s) doctorale(s) : École doctorale Sciences de la terre et de l'environnement et physique de l'univers (Paris ; 2014-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Physique nucléaire et hautes énergies (Paris ; 1997-....)
• Jury : Président / Présidente : Matteo Cacciari
• Jury : Examinateurs / Examinatrices : Ana Rosario Cueto Gomez, Paulo César Farias
• Jury : Rapporteurs / Rapporteuses : Linda Finco, Jean-Baptiste de Vivie de Régie

Mots clés

Mots clés contrôlés

Expérience ATLAS

Apprentissage automatique

Axions

Photons

Mots clés libres

LHC

ATLAS

Photons

Isolation

Pile-Up

Particules de type axion-like

Machine learning

LHC

ATLAS

Photons

Isolation

Pile-Up

Axion-Like particles

Machine learning

Résumé

Cette thèse propose une recherche de particules de type axion se désintégrant en paires de photons très collimatés, avec une sensibilité étendue, pour la première fois, à des masses inférieures à 10 GeV, dans le cadre de collisionneurs de protons. Elle s'accompagne d'une étude de l'isolation des photons. Ce travail s'inscrit dans le cadre de l'expérience ATLAS du Grand collisionneur de hadrons (LHC) au CERN, et s'appuie sur les données collectées entre 2015 et 2018 (Run 2), à une énergie au centre de masse de 13 TeV, ainsi que sur celles de la période 2022-2024 (Run 3), à une énergie de 13,6 TeV. La première partie de ce travail constitue une contribution aux travaux de performance de l'isolation des photons dans l'expérience ATLAS. Les photons produits directement lors des collisions hadroniques sont une sonde précieuse pour l'étude de la chromodynamique quantique. Il est primordial de les distinguer des sources de bruit de fond, provenant principalement des mésons légers produits dans les jets hadroniques. Pour cela, l'isolation calorimétrique applique une sélection basée sur les dépôts d'énergie mesurés autour du candidat photon dans le détecteur, les photons provenant de jets étant généralement entourés d'une activité hadronique significative. Cependant, l'énergie d'isolation calorimétrique des photons est imparfaitement modélisée dans les simulations, qui sont pourtant essentielles à la préparation des analyses et à la construction des modèles de signal et de bruit de fond. Pour y remédier, des corrections sont effectuées directement aux distributions d'énergie d'isolation dans les simulations, afin de les faire correspondre aux données expérimentales. Une nouvelle méthodologie est proposée pour corriger les simulations du Run 2, avec une précision supérieure à celle des approches précédentes. Ces corrections prennent notamment en compte l'énergie du photon, le chevauchement de collisions dans le détecteur (pile-up), la région du détecteur concernée, ainsi que le type de conversion, une fraction significative des photons se convertissant en paires électron-positon dans le détecteur. La deuxième partie de ce travail propose une recherche de nouvelle résonance dans le canal de désintégration en deux photons collimatés, atteignant des masses inférieures à 10 GeV et étendant ainsi la portée des analyses précédentes menées dans les collisionneurs de protons. Cependant, les outils standard d'identification des photons, basés sur la forme des gerbes électromagnétiques dans le détecteur, ainsi que les processus d'isolation, fondés sur les dépôts d'énergie environnants, ne sont pas adaptés à des photons très proches, dont les gerbes et l'activité énergétique se chevauchent dans le détecteur. Pour surmonter cette limitation, des outils d'apprentissage automatique (machine learning) ont été mis en oeuvre afin de développer de nouveaux critères d'identification et d'isolation, spécifiquement adaptés aux paires de photons très collimatées. Cette approche permet d'étendre le potentiel de recherche de résonances se désintégrant en paires de photons. Plusieurs architectures de réseaux de neurones ont été explorées : un perceptron multicouche (MLP), un réseau de neurones convolutif (CNN), un réseau de neurones à graphes (GNN) et un Set Transformer. Les performances de ces modèles sont exploitées pour évaluer la sensibilité à la découverte d'une nouvelle résonance et pour établir des limites supérieures attendues sur la section efficace multipliée par le rapport d'embranchement.Enfin, dans le contexte actuel du réchauffement climatique, la recherche joue un rôle non négligeable. Un état des lieux des émissions de gaz à effet de serre de la recherche française, ainsi que du CERN, est proposé. Le travail mené au sein du LPNHE, laboratoire d'accueil de cette thèse, visant à quantifier ses émissions carbone et à proposer des mesures pour les réduire, est également présenté.

This thesis presents a search for axion-like particles decaying into closely collimated photon pairs, extending the sensitivity, for the first time, to masses below 10 GeV in the context of proton colliders. It is complemented by a study of photon isolation. This work is carried out within the ATLAS experiment at the Large Hadron Collider (LHC) at CERN and is based on data collected between 2015 and 2018 (Run 2), at a centre-of-mass energy of 13 TeV, as well as data from the 2022-2024 period (Run 3), at 13.6 TeV. The first part of this work contributes to the study of photon isolation performance in the ATLAS experiment. Photons produced directly in hadronic collisions are a valuable probe for studying quantum chromodynamics. It is essential to distinguish them from background sources, which mainly originate from light mesons produced within hadronic jets. To achieve this, calorimetric isolation applies a selection based on the energy deposited around the photon candidate in the detector, as photons originating from jets are typically surrounded by significant hadronic activity. However, the calorimetric isolation energy of photons is imperfectly modelled in simulations, which are essential for preparing analyses and constructing signal and background models. To address this, corrections are applied directly to the isolation energy distributions in the simulations to bring them into agreement with experimental data. A new methodology is proposed for correcting the Run 2 simulations, offering greater accuracy than previous approaches. These corrections account for the photon energy, the overlap of collisions in the detector (pile-up), the detector region involved, and the photon conversion type, as a significant fraction of photons convert into electron-positron pairs within the detector. The second part of this work proposes a search for a new resonance in the collimated two-photon decay channel, reaching masses below 10 GeV and thus extending the scope of previous analyses carried out at proton colliders. However, standard photon identification tools, based on the shape of electromagnetic showers in the detector, and isolation processes, based on the surrounding energy deposits, are not suitable for very close photons, whose showers and energy deposits overlap in the detector. To overcome this limitation, machine learning tools have been implemented to develop new identification and isolation criteria specifically adapted to highly collimated photon pairs. This approach extends the potential to search for resonances decaying into photon pairs. Several neural network architectures have been explored: a multilayer perceptron (MLP), a convolutional neural network (CNN), a graph neural network (GNN), and a Set Transformer. The performance of these models is exploited to assess sensitivity to the discovery of a new resonance and to establish expected upper limits on the effective cross-section times the branching ratio. Finally, in the current context of global warming, research plays a significant role. An inventory of greenhouse gas emissions from French research institutions and CERN is presented. The work carried out at the LPNHE, the host laboratory for this thesis, to quantify its carbon emissions and propose measures to reduce them, is also described.