Dévelopement d'algorithmes de trajectographie basés sur l'apprentissage machine pour le futur U[...]

CEA; Saclay; Sur place; EUR 40 000 - 60 000; Plein temps

Résumé du poste

Une opportunité passionnante se présente pour un candidat motivé désireux de plonger dans le monde de la physique des particules. Ce projet de thèse se concentre sur le développement d'algorithmes innovants basés sur l'apprentissage machine pour améliorer la trajectographie de l'expérience LHCb au Grand collisionneur de hadrons. En utilisant des techniques avancées, y compris les réseaux de neurones graphiques, vous aurez l'occasion de contribuer à des études de désintégrations rares de particules et à la compréhension du plasma de Quark et Gluon. Rejoignez une équipe dynamique à la pointe de la recherche et participez à des projets qui redéfinissent les limites de la physique moderne.

Qualifications

• M2 ou équivalent en physique nucléaire, physique des particules ou informatique requis.
• Compétences en apprentissage machine et développement d'algorithmes nécessaires.

Responsabilités

• Développer des algorithmes de trajectographie pour le LHCb utilisant l'apprentissage machine.
• Améliorer les performances de trajectographie et réduire les fausses traces.

Connaissances

Apprentissage machine

Développement d'algorithmes

Trajectographie

Réseaux de neurones graphiques

Formation

M2 en physique nucléaire

M2 en physique des particules

M2 en informatique

Outils

GPU

CPU

FPGA

Description du poste

Description du sujet de thèse

Domaine

Physique corpusculaire et cosmos

Sujets de thèse

Développement d'algorithmes de trajectographie basés sur l'apprentissage machine pour le futur Upstream Tracker de LHCb au LHC

Contrat

Thèse

Description de l'offre

Cette proposition vise à développer et améliorer les futures performances de trajectographie de l'expérience LHCb au Grand collisionneur de hadrons (LHC) via l'étude de divers algorithmes basés sur l'apprentissage machine automatique. Parmi les systèmes de trajectographie de LHCb, le sous-détecteur Upstream Tracker (UT) joue un rôle crucial dans la réduction du taux de fausses traces reconstruites dès les premières étapes du processus de reconstruction. Dans l'optique de pouvoir mener à bien les futures études de désintégrations rares de particules, la violation CP dans le Modèle standard, et l'étude du plasma de Quark et Gluon dans les collisions Pb-Pb, une trajectographie précise dans LHCb est obligatoire.

Avec les mises à jour du détecteur prévues d'ici 2035 et l'augmentation anticipée des taux de données, les méthodes de trajectographie traditionnelles risquent de ne pas répondre aux exigences computationnelles, notamment dans les collisions noyau-noyau où des milliers de particules sont produites. Durant la thèse, nous explorerons une gamme de techniques basées sur l'apprentissage machine automatique, comme celles déjà appliquées avec succès dans le Vertex Locator (VELO) de LHCb, pour améliorer la performance de trajectographie de l'UT. En appliquant des méthodes variées, nous visons à améliorer la reconstruction des trajectoires aux premiers stades de la reconstruction, accroître l'efficacité de trajectographie et réduire le taux de fausses traces. Parmi ces techniques, les réseaux de neurones graphiques (Graph Neural Networks, GNN) représentent une option particulièrement prometteuse grâce à l'exploitation des corrélations spatiales et temporelles des hits du détecteur.

Cette exploration de nouvelles méthodes impliquera des développements adaptés au matériel hardware, qu'il s'agisse de GPU, CPU ou FPGA, tous potentiellement présents dans l'architecture de reconstruction du futur LHCb. Nous comparerons les différents algorithmes par rapport aux méthodes de trajectographie actuelles afin de quantifier les améliorations en termes de performance, de scalabilité et d'efficacité computationnelle. De plus, nous prévoyons d'intégrer les algorithmes les plus performants au sein du logiciel de LHCb de garantir leur compatibilité avec les pipelines de données existants.

Université / école doctorale

PHENIICS (PHENIICS)
Paris-Saclay

Localisation du sujet de thèse

Site

Saclay

Critères candidat

Formation recommandée

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

Demandeur

Disponibilité du poste

01/10/2025

Personne à contacter par le candidat

Audurier Benjamin < email supprimé pour raison de sécurité >
CEA
DRF/IRFU/DPhN/LQGP
CEA Saclay
Irfu/DPhN
Bât. 703
91191 Gif-sur-Yvette CEDEX

Tuteur / Responsable de thèse

BOBIN Jérôme < email supprimé pour raison de sécurité >
CEA
DRF/IRFU/DEDIP
Orme des merisiers - DPhN
Bâtiment 703
91190 Gif-sur-Yvette
0169084591

En savoir plus

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