Machine learning interprétable pour l'analyse de données à CLAS12

Interpretable machine learning for CLAS12 data analysis

• Auteur / Autrice : Noëlie Cherrier
• Direction : Franck Sabatié
• Type : Thèse de doctorat
• Discipline(s) : Physique hadronique
• Date : Soutenance le 01/03/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Particules, hadrons, énergie et noyau : instrumentation, imagerie, cosmos et simulation (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Département de physique nucléaire (Gif-sur-Yvette, Essonne) - Département de métrologie, instrumentation et information (Gif-sur-Yvette, Essonne ; 2008-....)
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay
• Jury : Président / Présidente : David Rousseau
• Jury : Examinateurs / Examinatrices : Christophe Denis, David Ireland, Michael Mayo
• Jury : Rapporteur / Rapporteuse : Christophe Denis, David Ireland

Mots clés

Mots clés contrôlés

Hadrons

Diffusion lepton-nucléon

Analyse des données

Apprentissage supervisé (intelligence artificielle)

Mots clés libres

Apprentissage automatique

Analyse de données

Physique hadronique

Machine learning

Data analysis

Hadronic physics

Résumé

L’intelligence artificielle rencontre un succès indéniable dans de nombreuses applications, surtout depuis l’essor de l’apprentissage profond. Cependant, certaines de ces applications nécessitent une étude et une validation du raisonnement du modèle induit. C’est le cas en physique expérimentale : les performances des modèles sur les données réelles doivent être connues et maîtrisées, et leur raisonnement expliqué afin de permettre une validation par les pairs. Dans le cas particulier de l’expérience CLAS12 au Jefferson Laboratory, un faisceau d’électrons est envoyé sur une cible de protons afin d’en sonder la structure interne. Pour pouvoir accéder à certaines fonctions de structure du proton, un sous-ensemble des données récoltées doit être isolé correspondant à une réaction exclusive : la diffusion Compton profondément virtuelle. C’est sur la sélection de ces événements que porte cette thèse. Pour améliorer les techniques classiques d’analyse en physique, une approche utilisant des modèles de machine learning intrinsèquement interprétables, dits également transparents, est proposée. De cette façon, le fonctionnement du modèle peut être plus facilement compris et les erreurs de sélection maîtrisées et minimisées.

Artificial intelligence is used massively in numerous applications, especially since the rise of deep learning techniques. However, some of these applications require a careful study and validation of the inducted model functioning. Considering experimental physics, the performances of the models on real data must be known and controlled, and their functioning explained to enable a validation via peer review. In the particular case of the CLAS12 experiment at Jefferson Laboratory, an electron beam is sent onto a proton target to probe its inner structure. To access certain structure functions of the proton, a subset of the collected data must be selected corresponding to an exclusive interaction: deeply virtual Compton scattering. This thesis focuses on this event selection. To improve the classical physics analysis, an approach exploiting intrinsically interpretable machine learning models, also called transparent models, is proposed. In this way, the functioning of the model is understood more easily and the selection errors are minimized and controlled.