Description du sujet de thèse
Domaine
Physique corpusculaire et cosmos
Sujets de thèse
Développement d'algorithmes de trajectographie basés sur l'apprentissage automatique pour le détecteur Upstream Pixel de LHCb au LHC
Contrat
Thèse
Description de l'offre
Cette thèse vise à développer et optimiser les futures performances de trajectographie de l'expérience LHCb au Grand collisionneur de hadrons (LHC) grâce à l'exploration d'algorithmes avancés d'apprentissage automatique. Le nouveau sous-détecteur Upstream Pixel (UP), situé avant le champ magnétique, jouera un rôle central à partir du Run 5 pour réduire précocement le taux de fausses traces et améliorer la reconstruction rapide des trajectoires dans des environnements à forte multiplicité.
Afin de mener avec succès les programmes de physique ambitieux de LHCb - étude des désintégrations rares, violation de CP dans le Modèle Standard, caractérisation du plasma de quarks et de gluons dans les collisions d'ions lourds - une trajectographie rapide et extrêmement précise est indispensable. Cependant, l'augmentation des taux de données et de la complexité des événements attendue pour les futures prises de données impose de dépasser les méthodes classiques, en particulier dans les collisions noyau-noyau où des milliers de particules chargées sont produites simultanément.
Dans ce contexte, nous étudierons une gamme de techniques modernes d'apprentissage automatique, dont certaines ont déjà fait leurs preuves pour la trajectographie dans le détecteur VELO de LHCb. En particulier, les Réseaux de Neurones à Graphes (Graph Neural Networks, GNN) constituent une solution prometteuse permettant d'exploiter les corrélations géométriques entre impacts pour améliorer l'efficacité de reconstruction tout en réduisant les faux positifs.
Le travail de thèse comprendra dans un premier temps le développement d'une simulation GEANT4 réaliste du détecteur UP afin de produire des jeux de données adaptés à l'apprentissage machine. Dans un second temps, les modèles les plus performants seront optimisés pour une exécution en temps réel sur GPU, en accord avec l'évolution du système de reconstruction Allen de LHCb. Ils seront ensuite intégrés et validés dans le framework logiciel de l'expérience, avec à la clé une contribution majeure à la performance de LHCb pour le Run 5 et les phases ultérieures du programme expérimental.
Université / école doctorale
Matière, Molécules et Matériaux (3M)
Nantes
Localisation du sujet de thèse
Site
Saclay
Critères candidat
Formation recommandée
M2 ou equivalent en physique nucléaire, physique des particules ou informatique
Demandeur
Disponibilité du poste
01/10/2026
Personne à contacter par le candidat
Rakotozafindrabe Andry < e-mail verwijderd om veiligheidsredenen >
CEA
DRF/IRFU/DPhN/LQGP
CEA Saclay
Irfu/DPhN
Bât. 703
91191 Gif-sur-Yvette CEDEX
0169087482
Tuteur / Responsable de thèse
CASTILLO Javier < e-mail verwijderd om veiligheidsredenen >
CEA
DRF/IRFU/DPhN/LQGP
CEA/Saclay - Irfu/SPhN
Orme des Merisiers
Bât. 703/P. 44
91190 Gif-sur-Yvette
+33 169087255
En savoir plus
https://irfu.cea.fr/Phocea/Vie_des_labos/Ast/ast_groupe.php?id_groupe=500
Domaine
Physique corpusculaire et cosmos
Sujets de thèse
Développement d'algorithmes de trajectographie basés sur l'apprentissage automatique pour le détecteur Upstream Pixel de LHCb au LHC
Contrat
Thèse
Description de l'offre
Cette thèse vise à développer et optimiser les futures performances de trajectographie de l'expérience LHCb au Grand collisionneur de hadrons (LHC) grâce à l'exploration d'algorithmes avancés d'apprentissage automatique. Le nouveau sous-détecteur Upstream Pixel (UP), situé avant le champ magnétique, jouera un rôle central à partir du Run 5 pour réduire précocement le taux de fausses traces et améliorer la reconstruction rapide des trajectoires dans des environnements à forte multiplicité.
Afin de mener avec succès les programmes de physique ambitieux de LHCb - étude des désintégrations rares, violation de CP dans le Modèle Standard, caractérisation du plasma de quarks et de gluons dans les collisions d'ions lourds - une trajectographie rapide et extrêmement précise est indispensable. Cependant, l'augmentation des taux de données et de la complexité des événements attendue pour les futures prises de données impose de dépasser les méthodes classiques, en particulier dans les collisions noyau-noyau où des milliers de particules chargées sont produites simultanément.
Dans ce contexte, nous étudierons une gamme de techniques modernes d'apprentissage automatique, dont certaines ont déjà fait leurs preuves pour la trajectographie dans le détecteur VELO de LHCb. En particulier, les Réseaux de Neurones à Graphes (Graph Neural Networks, GNN) constituent une solution prometteuse permettant d'exploiter les corrélations géométriques entre impacts pour améliorer l'efficacité de reconstruction tout en réduisant les faux positifs.
Le travail de thèse comprendra dans un premier temps le développement d'une simulation GEANT4 réaliste du détecteur UP afin de produire des jeux de données adaptés à l'apprentissage machine. Dans un second temps, les modèles les plus performants seront optimisés pour une exécution en temps réel sur GPU, en accord avec l'évolution du système de reconstruction Allen de LHCb. Ils seront ensuite intégrés et validés dans le framework logiciel de l'expérience, avec à la clé une contribution majeure à la performance de LHCb pour le Run 5 et les phases ultérieures du programme expérimental.
Université / école doctorale
Matière, Molécules et Matériaux (3M)
Nantes
Localisation du sujet de thèse
Site
Saclay
Critères candidat
Formation recommandée
M2 ou equivalent en physique nucléaire, physique des particules ou informatique
Demandeur
Disponibilité du poste
01/10/2026
Personne à contacter par le candidat
Rakotozafindrabe Andry < e-mail verwijderd om veiligheidsredenen >
CEA
DRF/IRFU/DPhN/LQGP
CEA Saclay
Irfu/DPhN
Bât. 703
91191 Gif-sur-Yvette CEDEX
0169087482
Tuteur / Responsable de thèse
CASTILLO Javier < e-mail verwijderd om veiligheidsredenen >
CEA
DRF/IRFU/DPhN/LQGP
CEA/Saclay - Irfu/SPhN
Orme des Merisiers
Bât. 703/P. 44
91190 Gif-sur-Yvette
+33 169087255
En savoir plus
https://irfu.cea.fr/Phocea/Vie_des_labos/Ast/ast_groupe.php?id_groupe=500
