Intelligence artificielle avec apprentissage profond pour la découverte de signaux complexes rares dans l'expérience ATLAS au LHC

Deep learning to discover rare complex signals with the Atlas experiment at the LHC

• Auteur / Autrice : Vera Maiboroda
• Direction : Frédéric Deliot
• Type : Projet de thèse
• Discipline(s) : Physique des particules
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Particules, Hadrons, Énergie et Noyau : Instrumentation, Imagerie, Cosmos et Simulat
• Partenaire(s) de recherche : Laboratoire : Département de Physique des Particules
• Partenaire(s) de recherche : référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Intelligence artificielle

Gnn

Lhc

Higgs

Gnn

Deep learning

Lhc

Higgs

Résumé

Ce sujet de thèse propose d'appliquer des algorithmes d'intelligence artificielle dans le domaine des données massives de deux manières innovantes en exploitant le grand lot de données collecté par l'expérience ATLAS au grand collisionneur de Hadrons (LHC). Le LHC crée des collisions entre faisceaux de particules à une vitesse proche de celle de la lumière avec une fréquence de 40 millions de fois par seconde, produisant ainsi des quantités considérables de données parmi lesquelles extraire des processus intéressants représente un énorme défi. Ce défi sera encore plus important dans le futur quand le LHC entrera dans sa phase haute luminosité, ayant pour but de collecter 10 fois plus de données que le lot actuel. Le but principal de cette nouvelle phase sera d'étudier avec précisions les petites déviations par rapport aux propriétés attendues de la “pierre angulaire” du modèle standard de la physique des particules: le boson de Higgs. Pour faire face à ces challenges, les algorithmes d'intelligence artificielle appliqués aux données massives joueront un rôle majeur. Ce sujet de thèse propose d'explorer cette voie en exploitant le lot de données unique du LHC collecté par l'expérience ATLAS grâce à des techniques d'apprentissage machine de pointe. Deux approches innovantes basées sur des techniques d'apprentissage profond seront étudiées. D'abord, des techniques d'apprentissage non supervisé seront testées pour reconstruire des états finaux complexes avec une cinématique sous-contrainte. Ensuite, l'apprentissage profond sera testé pour l'extraction de signaux rares. Plus de détails sur ces aspects sont donnés ci-dessous en particulier sur l'intérêt d'utiliser des méthodes numériques modernes. Ces nouveaux développements seront appliqués pour la première fois à la recherche de deux processus rares: la production de quark top en association avec un boson de Higgs (ttH) et la production de quatre quarks top (4-top). Ces deux processus commencent à être étudiés avec les données du LHC mais une compréhension plus précise de leurs propriétés est nécessaire. Étudier les processus ttH et 4-top permettra de faire la lumière sur la vraie nature du couplage entre le boson de Higgs et la particule élémentaire la plus lourde connue actuellement: le quark top. En particulier, les mesures précises du couplage Higgs-top pourraient permettre de révéler de nouvelles sources d'asymétrie entre matière et antimatière, ce qui est une des questions les plus importantes de la physique des particules aujourd'hui. Les processus ttH et 4-top seront extraits à partir d'états finaux avec plusieurs leptons pour bénéficier du bruit de fond réduit dans ces canaux. Cependant la reconstruction de ces états finaux est très compliquée du fait de la présence de plusieurs neutrinos qui échappent à la détection. De plus, ces états finaux incluent un grand nombre de particules, conduisant à des problèmes combinatoires complexes qu'il n'est pas facile de résoudre avec des algorithmes de reconstruction standard. Des stratégies d'apprentissage profond seront mises en place pour construire des estimateurs des quantités physiques intéressantes, en particulier les propriétés cinématiques du boson de Higgs et du quark top. Cela nécessitera d'implémenter et de tester pour la première fois des algorithmes d'apprentissage non supervisé pour la reconstruction d'état final et pourrait donc ouvrir une nouvelle voie pour résoudre ce type de problème. Des observables basés sur la reconstruction partielle ou complète de la cinématique des particules de l'état final offrira des outils pour une meilleure discrimination entre signal et bruit de fond. L'utilisation d'apprentissage profond basée sur ces observables pourra améliorer cette discrimination. Par exemple, des Graph Neural Networks (GNN) pourront être utilisés pour la première fois dans des analyses officielles de physique des particules. L'idée est de décrire les événements de collision par des arbres avec les objets reconstruits comme des nœuds et des connexions bidirectionnelles entre eux. Cette famille d'algorithmes peut également permettre de fournir des multi-classificateurs pour les différents bruits de fond. L'exploration de ces deux nouvelles stratégies pour la reconstruction des événements et leur classification ouvrira la voie pour l'exploitation optimale de l'énorme quantité de données attendue dans la phase du haute luminosité du LHC.

This PhD proposes to apply artificial intelligence algorithms to big data in two innovative ways by exploiting the large proton-proton collision dataset collected by the ATLAS experiment at the Large Hadron Collider (LHC). The LHC is colliding particle beams moving at almost the speed of light forty million times per second, producing huge amounts of data among which extracting rare interesting processes represents an incredible challenge. This challenge will be even stronger in the near future when the LHC enters its high luminosity phase, collecting then 10 times more data than the current dataset. During this phase, the primary physics goal will be to scrutinize tiny deviations in the properties of the cornerstone of the Standard Model: the Higgs boson. In order to face these challenges, artificial intelligence algorithms applied to big data will play a major role. This PhD topic offers to explore this path by exploiting the unique proton-proton collision dataset collected by the ATLAS experiment with cutting edge machine learning techniques. Two main innovative approaches based on deep learning will be investigated during the PhD. First, deep learning and unsupervised training will be tested to reconstruct complex final states with underconstrained kinematics. Second deep learning will be implemented to extract rare signals. We detail these two aspects in the following and justify the need for modern numerical methods. These new developments will be applied for the first time to two very rare processes: the production of a top quark pair in association with a Higgs boson (ttH) and the production of four top quarks (4-top). Both processes have just started to be probed by recent LHC data analyses, while a more detailed and precise understanding of their properties is still on-going. Studying the ttH and 4-top processes will shed light on the true nature of the coupling between the Higgs boson, a key particle of the Standard Model, and the heaviest known particle, the top quark. In particular, precise measurements of the Higgs-top coupling may reveal new sources of asymmetry between matter and antimatter, which remains one of the most pressing questions in particle physics today. The ttH and 4-top processes will be extracted from final states with several leptons to benefit from a reduced background. The precise reconstruction of these final states is however very challenging due to the presence of several outgoing neutrinos, which escape the detector undetected. In addition, the decay channels corresponding to these final states include a large number of decay particles, leading to complex combinatorics problems not easily solvable by traditional reconstruction algorithms. Deep learning strategies will be pursued to build estimators of the physical quantities of interest, in particular the kinematic properties of the Higgs boson and the top quark. This will involve the implementation and testing for the first time of unsupervised training for final state reconstruction and may offer a new path to solve problems of this type. Observables based on the fully or partially reconstructed final state particles will provide a high discrimination between signal and background, and to a large extent independent on the precise modeling of the decay products kinematics. Deep learning based on these observables could improve further the separation between signal and background. For instance, Graph Neural Network (GNN) classifiers could be implemented and tested in official high energy physics analyses for the first time. In GNNs, events are described as graphs with reconstructed objects used as nodes with bidirectional connections between them. This family of deep learning algorithms may also be promising multi-classifiers for the different backgrounds. Exploring these new strategies for event reconstruction and classification will pave the way to understanding how the increased amount of data expected in the next phase of the LHC (High Luminosity LHC) can be exploited in an optimal way.