Apprentissage approfondi des interactions entre neutrinos avec le télescope à neutrinos KM3NeT

Deeply learning from neutrino interactions with the KM3NeT neutrino telescope

• Auteur / Autrice : Santiago Peña Martínez
• Direction : Antoine Kouchner
• Type : Thèse de doctorat
• Discipline(s) : Physique de l'univers
• Date : Soutenance le 25/09/2025
• Etablissement(s) : Université Paris Cité
• Ecole(s) doctorale(s) : École doctorale Sciences de la terre et de l'environnement et physique de l'univers (Paris ; 2014-....)
• Partenaire(s) de recherche : Laboratoire : AstroParticule et Cosmologie (Paris ; 2005-....)
• Jury : Président / Présidente : Alessandra Tonazzo
• Jury : Examinateurs / Examinatrices : Summer Blot
• Jury : Rapporteurs / Rapporteuses : David Jason Koskinen, Jean-François Laporte
• DOI : 10.70675/4f5bbecez62a0z4f84z9c2czaa4ec7418bec

Mots clés

Mots clés contrôlés

Oscillations

Astrophysique des neutrinos

Ordonnancement dynamique

Réseaux neuronaux graphiques

Mots clés libres

Oscillations

Saveur

Neutrino

Atmosphérique

Matière

Masse

Ordonnancement

Réseaux

Neuronaux

Graphe

Oscillations

Flavor

Neutrino

Atmospheric

Matter

Mass

Ordering

Neural

Networks

Graph

Résumé

La collaboration KM3NeT réunit deux télescopes à neutrinos Cherenkov actuellement en construction au fond de la mer Méditerranée. ARCA (Astroparticle Research with Cosmics in the Abyss) est le télescope construit pour détecter les neutrinos de haute énergie provenant de sources astrophysiques et ORCA (Oscillation Research with Cosmics in the Abyss) est conçu pour mesurer les oscillations des neutrinos atmosphériques. L'objectif principal du détecteur ORCA est de déterminer l'ordre de masse des neutrinos (NMO) grâce à sa structure optimisée pour mesurer les effets de matière qui affectent les probabilités d'oscillation des neutrinos. Le travail présenté dans ce manuscrit propose différentes techniques qui peuvent être utilisées pour améliorer la sensibilité de la mesure des paramètres d'oscillation avec KM3NeT/ORCA. La mise en oeuvre d'un réseau neuronal profond (DNN) utilisant des informations de haut niveau provenant d'événements reconstruits pour corriger les reconstructions d'énergie standard dans le détecteur est présentée. L'impact de cette technique sur la sensibilité d'ORCA à la mesure des paramètres d'oscillation est évalué. L'exploration de l'utilisation de réseaux neuronaux graphiques (GNN) pour reconstruire des événements à partir de coups bruts dans le détecteur est rapportée. L'utilisation de réseaux neuronaux graphiques dans des données simulées montre un très bon potentiel de reconstruction de l'énergie et de la direction des événements, ainsi que des capacités d'identification des particules. Néanmoins, la propagation et la détection des particules dans la mer étant difficile à modéliser, la performance de la technique sur les données réelles est différente de celle prédite par les simulations Monte Carlo. Une solution possible de ce problème utilisant une architecture de réseaux neuronaux adversariels de domaine (DANN) est actuellement à l'étude. La dernière mesure des paramètres des neutrinos atmosphériques à l'aide du détecteur ORCA a été réalisée dans le cadre de ce travail. En utilisant une exposition de 715kt-y couvrant trois périodes de temps d'ORCA avec 6, 10 et 11 unités de détection, les valeurs mesurées des paramètres des neutrinos atmosphériques sont Dmq_{31}=-2.09{+0.17}_{-0.21},sin2 theta_{23}=0.50 pm0.07 avec une préférence pour l'ordre inversé de 0.61 unités de chi 2. Un pipeline à mettre en oeuvre dans les analyses ORCA ultérieures pour inclure les systématiques liées aux incertitudes sur les sections efficaces d'interaction avec les neutrinos a été développé. Quelques résultats préliminaires avec des statistiques limitées sont rapportés comme indices initiaux des effets de section efficace auxquels ORCA est sensible

The KM3NeT collaboration brings together two Cherenkov neutrino telescopes currently under construction at the bottom of the Mediterranean sea. ARCA (Astroparticle Research with Cosmics in the Abyss) is the telescope built for detecting high energy neutrinos coming from astrophysical sources and ORCA (Oscillation Research with Cosmics in the Abyss) is made for the measurement of atmospheric neutrino oscillations. Focusing on the ORCA detector, its main goal is to determine the Neutrino Mass Ordering (NMO) given its design optimized to measure effects from matter effects which affect the neutrino's oscillation probabilities. The work presented in this manuscript sweeps several topics of different techniques which can be used to improve the sensitivity of oscillation parameters with KM3NeT/ORCA. The implementation of a Deep Neural Network (DNN) using high level information from reconstructed events to correct for the standard energy reconstructions in the detector is presented. Effects on the sensitivity to measurement of oscillation parameters are computed to quantify the impact of this technique. The exploration of using Graph Neural Networks (GNNs) to reconstruct events from raw hits in the detector is reported. The use of GNNs in simulated data show very good potential of reconstructing energy and direction of events as well as particle identification capabilities. Nevertheless, the complexity of real events in the deep sea gives rise to differences between real data and simulations using the same technique, a proposed solution to this problem using an architecture from Domain Adversarial Neural Networks (DANNs) is implemented. The latest measurement of atmospheric neutrino parameters using the ORCA detector was performed in the frame of this work. Using an exposure of 715kt-y spanning three time periods of ORCA with 6, 10 and 11 detection units, the measured values of atmospheric neutrino parameters are Dmq_{31}=-2.09 {+0.17}_{-0.21}, sin2 theta_{23}=0.50\pm0.07 with a preference of inverted ordering of 0.61 units of \chi2. A pipeline to implement in further ORCA analyses to include systematics related to neutrino interaction cross-section uncertainties was developed. Some preliminary results with limited statistics are reported as initial hints of cross-section effects ORCA is sensitive to.