Développement d'algorithmes de reconstruction de particules fondés sur l'intelligence artificielle

Development of particle reconstruction algorithms based on artificial intelligence

• Auteur / Autrice : Anthony Correia
• Direction : Vladimir Gligorov
• Type : Projet de thèse
• Discipline(s) : Physique de l'Univers
• Date : Inscription en doctorat le 01/10/2022
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Sciences de la terre et de l'environnement et physique de l'univers
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Physique Nucléaire et des Hautes Energies

Mots clés

Mots clés libres

Reconstruction

Intelligence artificielle

LHCb

Réseaux de neurones

Trajectographie

Reconstruction

Artificial intelligence

LHCb

Neural networks

Tracking

Résumé

La dernière décennie a vu une renaissance de l'intelligence artificielle, entraînée à la fois par le développement algorithmique et la disponibilité accrue d'architectures informatiques hautement parallèles capables d'exécuter efficacement ces algorithmes. Dans le même temps, les jeux de données traités par les expériences de physique des hautes énergies ont continué de croître, atteignant par exemple 32 Térabits par seconde pour la mise à niveau de l'expérience LHCb qui commencera à prendre des données l'année prochaine. Alors que les expériences ont traditionnellement considéré l'informatique efficace comme une question de coût financier, la décennie à venir nécessitera une attention accrue à l'efficacité énergétique afin de réduire l'empreinte environnementale de nos recherches. Les algorithmes traditionnels de reconstruction de particules, notamment le filtre de Kalman, sont intrinsèquement séquentiels et peu adaptés à l'utilisation efficace d'architectures de traitement parallèles. Il existe un besoin critique de nouveaux algorithmes de reconstruction conçus dès le départ pour être parallèles, exploiter efficacement les architectures modernes et s'adapter aux architectures de demain. En tant que membre du projet ANN4EUROPE, je travaillerai avec un autre doctorant basé à l'institut FIAS à Francfort pour développer de tels algorithmes d'une manière qui leur permettra d'être réutilisés dans des expériences de physique des particules. En tant que membre du groupe LHCb, je contribuerai également à la mise en œuvre de ces algorithmes dans la base de code de l'expérience LHCb et je participerai à l'analyse des données de physique, en particulier des désintégrations semi-leptoniques du type B0 -> D*lnu.

The last decade has seen a renaissance in artificial intelligence, driven by both algorithmic development and the increased availability of highly parallel computer architectures capable of efficiently running these algorithms. At the same time, the datasets processed by high-energy physics experiments have continued to grow, reaching, for example, 32 Terabits per second for the upgrade of the LHCb experiment that will start taking data next year. While experiments have traditionally viewed efficient computing as a matter of financial cost, the coming decade will require an increased focus on energy efficiency to reduce the environmental footprint of our research. Traditional particle reconstruction algorithms, notably the Kalman filter, are inherently sequential and not well suited to the efficient use of parallel processing architectures. There is a critical need for new reconstruction algorithms that are designed from the outset to be parallel, to exploit modern architectures efficiently and to adapt to future architectures. As a member of the ANN4EUROPE project, I will work with another PhD student based at the FIAS Institute in Frankfurt to develop such algorithms in a way that will allow them to be reused in particle physics experiments. As a member of the LHCb group, I will also contribute to the implementation of these algorithms in the code base of the LHCb experiment and participate in the analysis of physics data, in particular semi-leptonic decays of the type B0 -> D*lnu.