Développement d'algorithmes de trajectographie basés sur l'apprentissage automatique pour le dé[...]

Description du sujet de thèse Développement d’algorithmes de trajectographie basés sur l'apprentissage automatique pour le détecteur Upstream Pixel de LHCb au LHC

Domaine Physique corpusculaire et cosmos

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

Formation recommandée M2 ou équivalent en physique nucléaire, physique des particules ou informatique

Disponibilité du poste 01/10/2026

Personne à contacter par le candidat Rakotozafindrabe Andry arakotoz@cern.ch CEA DRF/IRFU/DPhN/LQGP CEA Saclay Irfu/DPhN Bât. 703 91191 Gif-sur‑Yvette CEDEX 0169087482

Tuteur / Responsable de thèse CASTILLO Javier jcastill@cea.fr CEA DRF/IRFU/DPhN/LQGP CEA/Saclay - Irfu/SPhN Orme des Merisiers Bât. 703/P. 44 91190 Gif-sur‑Yvette +33 169 087 255

En savoir plus https://irfu.cea.fr/Phocea/Vie_des_labos/Ast/ast_groupe.php?id_groupe=500

#J-18808-Ljbffr