Description

Pour cette thèse, le candidat travaillera sur deux projets.

Le premier sera mené au sein de la nouvelle collaboration GRAiNITA. GRAiNITA est un nouveau concept de calorimètre électromagnétique basé sur des grains de taille millimétrique, constitués de cristaux scintillants inorganiques, lus par des fibres à décalage de longueur d’onde, proposé pour le Future Circular Collider (FCC-ee) au CERN. Ce concept de détecteur entièrement nouveau a été développé à l’IJCLab en 2020 et un prototype de petite taille y a été testé avec succès. Un nouveau prototype, plus grand, d’environ 17 × 17 × 40 cm³, est actuellement en cours de construction, avec pour objectif de contenir entièrement une gerbe électromagnétique de 25 GeV.

La prochaine étape de ce projet consiste à réaliser une simulation détaillée de ce détecteur. La simulation de tels modules présente plusieurs défis liés à leur conception : dans le volume rempli de grains millimétriques, la lumière de scintillation subit un nombre extrêmement élevé de réflexions et de réfractions, dont la simulation précise est extrêmement coûteuse en temps de calcul. Le travail de thèse consistera à comprendre et à étudier la simulation GEANT4, afin de l’améliorer au moyen de méthodes de simulation basées sur le Deep Learning.

Les techniques de Deep Learning sont aujourd’hui largement utilisées pour la simulation des calorimètres. Par exemple, une grande partie de la chaîne FastSim de l’expérience ATLAS fait appel à des Generative Adversarial Networks (GANs). Depuis 2017, l’IJCLab est impliqué dans le développement de telles techniques au sein des équipes ATLAS et IT/IA. Ce travail impliquera ainsi le développement et l’entraînement d’algorithmes modernes de Deep Learning, tels que des modèles de diffusion et des Invertible Neural Networks (INN), afin de simuler la réponse du détecteur. Finalement, il faudra caractériser la précision et la rapidité de cette simulation par rapport à des données simulées et à des données de faisceau test.


Le second thème portera sur l’analyse de données au sein de l’expérience LHCb, en utilisant les données du Run 3 pour étudier les transitions Flavour-changing neutral current (FCNC) b→sℓ⁺ℓ⁻. Ces transitions sont fortement supprimées dans le Modèle standard, ne se produisant qu’au sein des boucles, ce qui les rend très sensibles à une éventuelle nouvelle physique. L’étude de ces désintégrations constitue une sonde puissante pour tester l’universalité de la saveur leptonique et rechercher des déviations par rapport aux prédictions du Modèle standard. L’étude de ces transitions à travers la désintégration Λb→Λℓℓ est unique à l’expérience LHCb. Comparé aux Runs 1 et 2 (2011–2018), LHCb a collecté un jeu de données nettement plus important et plus complexe durant le Run 3 (2024–2025 et 2026), rendu possible par des améliorations significatives du détecteur et du trigger. Ce jeu de données permettra l’étude de la distribution angulaire complète de la désintégration Λb→Λe⁺e⁻, ouvrant la voie à des recherches de physique au-delà du Modèle standard avec une précision sans précédent.

Le travail sera réalisé dans le cadre de l’équipe GRAiNITA et de la collaboration LHCb.

Compétences requises

- Master 2 en physique des particules ou équivalent - Maîtrise du langage Python (ou éventuellement du C++) - Familiarité avec les techniques de Machine Learning et de Deep Learning

Bibliographie

- GRAiNITA: https://arxiv.org/abs/2312.07365
- Deep Learning Calorimeter simulation: https://arxiv.org/abs/2410.21611
- Flavour-changing neutral current (FCNC) : https://inspirehep.net/literature/2842991 (chapters 1, 2, 3, 4 and 8)

Mots clés

Deep Learning, Simulation, Calorimètre, FCC, LHCb, FCNC