Reconstruction des neutrinos dans l'expérimentation DUNE à l'aide du Machine Learning

Neutrino reconstruction in the DUNE experiment using Machine Learning

• Auteur / Autrice : I Cheong Hong
• Direction : Camelia Mironov
• Type : Projet de thèse
• Discipline(s) : Physique de l'univers (ED 560)
• Date : Inscription en doctorat le ; Soutenance le 19/01/2026
• Etablissement(s) : Université Paris Cité
• Ecole(s) doctorale(s) : ED 560 Sciences de la terre et de l'environnement et physique de l'univers, Paris
• Jury : Examinateurs / Examinatrices : Yun-tse Tsai, Jaime Dawson, Etienne Parizot, Joao Coelho, Thomas Eberl, Laurent Simard, Camelia Mironov
• Jury : Rapporteurs / Rapporteuses : Thomas Eberl, Laurent Simard

Mots clés

Mots clés libres

Machine learning

Reconstruction des neutrinos

Dune

TPC à argon liquide

Reconstruction des sommets

U-Net

Réseaux neuronaux graphiques

Deep learning

Neutrinos atmosphériques

Méthodes basées sur les données

Machine learning

Neutrino reconstruction

Dune

Liquid argon TPC

Vertex reconstruction

U-Net

Graph neural networks

Deep learning

Atmospheric neutrinos

Data-driven methods

Résumé

L'expérience Deep Underground Neutrino Experiment (DUNE) est une expérience de nouvelle génération dédiée à la mesure de la violation de CP dans le secteur leptonique et à la détermination de la hiérarchie des masses des neutrinos. L'atteinte de ces objectifs scientifiques repose sur une reconstruction précise des interactions de neutrinos dans les chambres à projection temporelle à argon liquide, qui constituent la technologie de détection principale du détecteur lointain de DUNE. Une étape essentielle de cette chaîne de reconstruction est l'identification du vertex d'interaction. Dans cette thèse, les performances de l'algorithme de reconstruction du vertex basé sur Pandora U-Net sont examinées dans le cadre de la reconstruction des neutrinos atmosphériques. Plusieurs améliorations potentielles du modèle sont étudiées, notamment une campagne d'entraînement étendue utilisant un échantillon beaucoup plus important d'événements de neutrinos atmosphériques. Cette démarche a permis d'obtenir des gains de performance mesurables jusqu'au point où l'ajout de nouvelles données n'apportait plus d'amélioration, indiquant une saturation de la capacité du modèle vis-à-vis de la taille de l'échantillon d'entraînement. Parallèlement, des architectures de réseaux de neurones graphiques (GNN) sont explorées pour la reconstruction du vertex. Plusieurs pipelines fondés sur les GNN sont développés et évalués, avec le soutien de jeux de données simplifiés permettant un prototypage rapide ainsi que l'étude contrôlée de l'apprentissage des structures de type LArTPC par ces modèles. L'architecture finale de GNN obtient des performances comparables à celles de Pandora U-Net. Dans l'ensemble, ces travaux fournissent une évaluation des approches actuelles d'apprentissage automatique pour la reconstruction du vertex dans DUNE et mettent en évidence des perspectives prometteuses pour le développement futur du programme de reconstruction de l'expérience.

The Deep Underground Neutrino Experiment (DUNE) is a next-generation neutrino experiment designed to measure CP violation in the lepton sector and to determine the neutrino mass hierarchy. Achieving these physics goals relies on the precise reconstruction of neutrino interactions in liquid argon time projection chambers, the primary detection technology of the DUNE Far Detector. A crucial first step in this reconstruction chain is the identification of the interaction vertex. In this thesis, the performance of the existing Pandora U-Net vertex reconstruction algorithm is examined within the atmospheric neutrino reconstruction framework. Several possible improvements to the model are investigated, including an extended training campaign using a substantially larger sample of atmospheric neutrino events. This led to measurable gains in performance up to the point where additional data no longer produced further improvement, indicating saturation of the model's capacity with respect to training sample size. In parallel, graph neural network (GNN) architectures for vertex reconstruction are explored. Multiple GNN-based pipelines are developed and evaluated, supported by dedicated toy datasets that enable rapid prototyping and controlled studies of GNN behavior on LArTPC-like data. The final GNN architecture achieves performance comparable to that of the Pandora U-Net. Taken together, these studies provide an assessment of current machine-learning approaches to vertex reconstruction in DUNE and outline promising directions for future development within the experiment's reconstruction program.