Développement d'algorithmes d'intelligence artificielle embarqué dans des cartes électroniques à base de FPGA pour le système de lecture et de déclenchement du calorimètre à argon liquide ATLAS

Development of artificial intelligence algorithms embedded in FPGA based electronic boards for the ATLAS liquid Argon Calorimeter trigger and data acquisition system.

• Auteur / Autrice : Raphaël Bertrand
• Direction : Emmanuel Monnier, Georges Aad
• Type : Projet de thèse
• Discipline(s) : PHYSIQUE & SCIENCES DE LA MATIERE - Spécialité : INSTRUMENTATION
• Date : Inscription en doctorat le 01/11/2023
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : Ecole Doctorale Physique et Sciences de la Matière
• Partenaire(s) de recherche : Laboratoire : CPPM - Centre de Physique des Particules de Marseille

Mots clés

Mots clés libres

Lhc

Atlas

Calorimètre à argon liquide

Réseaux de neurones

Fpga

Optimisation Bayésienne

Lhc

Atlas

Liquid argon calorimeter

Neural network

Fpga

Bayesian optimisation

Résumé

L'électronique de lecture et du déclenchement du calorimètre à argon liquide d'ATLAS va être complètement remplacée durant la seconde phase de mise à niveau du détecteur ATLAS. La nouvelle électronique de traitement des données s'appuiera sur des FPGAs de dernière génération qui calculeront, à la volée, les énergies déposées dans le calorimètre avant leur envoi aux systèmes de lecture et de déclenchement. Des nouveaux algorithmes de pointe, basés sur des réseaux de neurones, sont en cours de développement pour calculer les énergies et améliorer la résolution dans les conditions complexes attendues auprès du grand collisionneur de Hadrons à haute luminosité, HL-LHC. Le CPPM joue un rôle majeur dans la jouvence du calorimètre à argon liquide. Le groupe ATLAS du CPPM est responsable de la production des cartes électroniques chargées de calculer les énergies et dirige les efforts de développement des algorithmes de réseaux neuronaux qui fonctionneront sur ces cartes. Cette thèse porte sur le développement d'algorithmes pour traiter les données brutes du calorimètre à argon liquide ATLAS et calculer efficacement les énergies déposées dans le calorimètre dans les conditions du HL-LHC avec un haut niveau d'empilement. Ces algorithmes seront basés sur des techniques d'intelligence artificielle, s'appuyant notamment sur des réseaux neuronaux, et adaptés pour fonctionner sur des cartes électroniques de type FPGA. Les gains de performance apportés par ces algorithmes pour les objets électromagnétiques reconstruits dans le calorimètre, notamment au niveau du système de déclenchement, seront estimés.

The data acquisition and trigger electronics of the ATLAS liquid argon calorimeter will be fully replaced as part of the second phase of upgrade of the ATLAS detector. The new backend electronics will be based on high-end FPGAs that will compute on-the-fly the energy deposited in the calorimeter before sending it to the trigger and data acquisition systems. New state-of-the-art algorithms, based on neural networks, are being developed to compute energies and improve its resolution in the harsh conditions of the Large Hadron Collider at High Luminosity, HL-LHC. CPPM is playing a major role in the upgrade of the liquid argon calorimeter. The ATLAS group at CPPM is responsible for the production of the electronic boards responsible for calculating energies, and is leading efforts to develop the neural network algorithms that will run on these boards. these boards. This thesis concerns the development of algorithms to process raw data from the ATLAS liquid argon calorimeter and efficiently calculate the energies deposited in the calorimeter under HL-LHC conditions with a high level of stacking. These algorithms will be based on artificial intelligence techniques, relying in particular on neural networks, and adapted to run on FPGA based electronic boards. The performance gains brought by these algorithms for the electromagnetic objects reconstructed in the calorimeter, particularly at the level of the triggering system, will be estimated.