Méthode Deep Learning and analyse Double Calorimétrique pour la mesure de haute précision des paramètres d’oscillation des neutrinos dans JUNO

Deep learning methods and Dual Calorimetric analysis for high precision neutrino oscillation measurements at JUNO

• Auteur / Autrice : Léonard Imbert
• Direction : Frédéric Yermia, Benoit Viaud
• Type : Thèse de doctorat
• Discipline(s) : Physique des particules
• Date : Soutenance le 02/12/2024
• Etablissement(s) : Nantes Université
• Ecole(s) doctorale(s) : École doctorale Matière, Molécules Matériaux et Géosciences (Le Mans)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Physique Subatomique et des Technologies Associées (Nantes)
• Jury : Président / Présidente : Barbara Erazmus
• Jury : Examinateurs / Examinatrices : Frédéric Yermia, Juan-Pedro Ochoa-Ricoux, Yasmine Amhis
• Jury : Rapporteurs / Rapporteuses : Christine Marquet, Christine Marquet

Mots clés

Mots clés contrôlés

Détecteurs de rayonnement

Apprentissage profond

Particules (matière)

Mots clés libres

Neutrinos

Expérience JUNO

Deep Learning

Reconstruction d’IBD

Oscillations des neutrinos

Double calorimetrie

Neutrinos

JUNO experiment

Deep Learning

IBD reconstruction

Neutrinos Oscillation

Dual Calorimetry

Résumé

JUNO est un observatoire de neutrinos à scintillateur liquide, polyvalent et medium baseline (environ 52 km), situé en Chine. Ses principaux objectifs sont de mesurer les paramètres d’oscillation θ₁₂, Δm²₂₁ et Δm²₃₁ avec une précision au pour-mille et de déterminer l’ordre des masses des neutrinos avec un niveau de confiance de 3ᵹ. Atteindre ces objectifs nécessite une résolution énergétique sans précédent de 3%/ √E(MeV) avec cette technologie. Cela demande une compréhension approfondie des divers effets au sein du détecteur. Le système de double calorimétrie, composé de deux systèmes de mesure distincts observant le même événement, permet non seulement une calibration mais aussi une détection des effets du détecteur avec une grande précision, comme démontré dans cette thèse. Le Deep Learning, un outil de plus en plus utilisé en physique expérimentale, joue un rôle crucial dans cet effort. Dans cette thèse, je présente le développement, l’application et l’analyse des techniques de Deep Learning pour la reconstruction d’évènements dans l’expérience JUNO.

JUNO is a multipurpose, mediumbaseline (≈52 km) liquid scintillator neutrino observatory located in China. Its primary objectives are to measure the oscillation parameters θ₁₂, Δm²₂₁ et Δm²₃₁ with per mil precision and to determine the neutrino mass ordering at a 3s confidence level. Achieving these goals requires an unprecedented energy resolution of 3%/ √E(MeV) with this technology. This demands a comprehensive understanding of the various effects within thedetector. The Dual Calorimetry system-two distinct measurement systems observing the same event-enables not only high-precision calibration but also detection of detector effects, as demonstrated in this thesis. Deep learning, an increasingly powerful tool in physics, plays a critical role in this effort. In this thesis, I present the development, application, and analysis of Deep Learning techniques for reconstruction in the JUNO experiment.