Reconstruction du détecteur Hyper-Kamiokande et analyse des oscillations neutrino avec le détecteur T2K

Reconstruction of the Hyper-Kamiokande detector and analysis of neutrino oscillations with the T2K detector

• Auteur / Autrice : Benjamin Carew
• Direction : Vladimir Gligorov
• Type : Projet de thèse
• Discipline(s) : Physique
• Date : Inscription en doctorat le 30/09/2025
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : Physique en Ile de France
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Physique Nucléaire et des Hautes Energies

Mots clés

Mots clés libres

Model Standard

Physique des neutrinos

Physique des particules

Symmetrie CP

Reconstruction

Intelligence artificielle

Artificial intelligence

Reconstruction

CP symmetry

Neutrino physics

Standard Model

Particle physics

Résumé

Hyper Kamiokande (HyperK), le détecteur Cherenkov à eau de nouvelle génération dont le début de la prise de données de physique est prévu en 2028 à Kamioka au Japon, détectera un ordre de grandeur de plus d'événements neutrinos que son prédécesseur. Ces données seront essentielles pour progresser sur des questions fondamentales: la violation de CP dans le secteur leptonique et la mesure des paramètres d'oscillation des neutrinos. Avec cette augmentation de données vient une exigence accrue en termes de précision et d'efficacité dans la reconstruction – le processus qui traduit les informations de charge et de temps des 20 000 tubes photomultiplicateurs (PMT) en mesures des paramètres physiques exploitables des particules incidentes. Il est essentiel d'optimiser l'efficacité de la reconstruction, permettant ainsi l'utilisation de plus grands échantillons de simulation pour calibrer HyperK et minimiser les erreurs systématiques expérimentales. L'objectif de ce projet est de découvrir de nouvelles méthodes pour cette optimisation, à la fois via des techniques telles que la vectorisation et la parallélisation, et avec des méthodes d'apprentissage automatique, telles que les réseaux neuronaux et les arbres de décision, afin d'augmenter considérablement la vitesse de reconstruction. Il est crucial de tester rigoureusement toutes les optimisations de la reconstruction par rapport aux exigences physiques de HyperK, en veillant à ce qu'aucune dégradation de la précision des observables reconstruites ne se produise. Ces analyses sont sensibles aux hypothèses et aux effets systématiques inhérents aux mesures d'oscillation de HyperK, de sorte que maximiser la puissance analytique des données grâce à une reconstruction améliorée des événements garantira que le détecteur atteigne son plein potentiel en matière de découvertes en physique. De nouveaux outils statistiques et des ajustements de vraisemblance devront être développés pour HyperK avant que la première analyse des oscillations puisse avoir lieu. Un objectif majeur de l'expérience HyperK est de mesurer la violation de CP. Les paramètres du triangle d'unitarité seront également mesurés afin d'examiner une éventuelle violation de l'universalité leptonique, ainsi que d'autres processus au-delà du Modèle Standard (BSM). Une étude phénoménologique sera menée pour déterminer dans quelle mesure les données de HyperK peuvent contraindre ces paramètres. La mise en service de HyperK nécessitera des tests approfondis: la validation de l'alignement spatial et temporel, la performance des PMT, le fonctionnement du système d'acquisition des données (DAQ) et des systèmes de déclenchement. Ca se déroulera à la fois depuis Paris et depuis Kamioka, au Japon, où la construction est actuellement en cours. Le candidat participera aux périodes de prise de données 2027-2028, lors de la phase de remplissage en eau, et contribuera à l'analyse des oscillations en cours sur l'expérience T2K associée, comme entrainement pour les analyses d'HyperK et acquérant ainsi une expérience pratique en physique des accélérateurs et en astroparticules. En intégrant des techniques avancées dans le cadre de reconstruction de HyperK, ce travail constituera une contribution importante au succès de cette expérience phare. L'intégration de techniques d'apprentissage automatique dans les analyses de physique expérimentale démontrera si l'IA peut améliorer les performances sans compromettre la précision, établissant ainsi un précédent pour les futures expériences. Le candidat développera une expertise à la fois en physique des particules et en calcul haute performance, ainsi qu'en techniques d'apprentissage automatique ayant de nombreuses applications dans le monde académique et industriel. Ca représente une opportunité unique de façonner les premières analyses physiques de HyperK, en appliquant des innovations techniques à des questions fondamentales en physique des neutrinos et en phénoménologie au-delà du Modèle Standard.

Hyper Kamiokande (HyperK), the next-generation water Cherenkov detector currently slated for completion in 2028, will capture an order of magnitude more neutrino events than its predecessor. This data will be necessary to make progress on key fundamental questions in particle physics, such as CP violation in the lepton sector and the measurement of neutrino oscillation parameters. With this increase in raw data comes an increased requirement for precision and efficiency in event reconstruction - the process of translating charge and time information gathered by the 20,000 photomultiplier tubes (PMTs) into meaningful physics hypotheses. It is therefore essential to optimise the efficiency of current reconstruction algorithms, allowing the use of larger simulation samples to calibrate the new detector and minimise experimental systematics. The aim of this project is to discover novel methods for performing this optimisation, both with traditional computing techniques such as vectorisation and parallelisation, and by exploring machine learning methods such as neural networks and decision trees, leading to substantial increases in reconstruction speed. The reconstruction software needs to be not only efficient but also precise and accurate. It is therefore crucial to rigorously benchmark all optimisations against HyperK's physics requirements, ensuring no degradation in the reconstruction accuracy of the observables. These analyses are sensitive to assumptions and systematics inherent in HyperK oscillation measurements, so maximising the analytical power of the data through enhanced event reconstruction will ensure the detector reaches its maximum potential for physics discovery. New statistical tools and likelihood adjustments will also need to be developed for the upgraded detector before the initial oscillation analysis can take place. A primary goal of the HyperK experiment is to measure CP violation and strongly constrain the parameters of the leptonic unitarity triangle. The newly accelerated reconstruction algorithms will ensure a precise measurement of any deviations between neutrino and antineutrino oscillation probabilities which could indicate new physics. The unitarity triangle parameters will also be measured to probe for lepton universality violation among other BSM processes. A phenomenological study to determine the extent to which HyperK data can constrain these parameters will therefore be performed. In 2028, the candidate will then help verify the expected function of the detector by analysing the very first data collected during the water-filling phase of commissioning. The commissioning of HyperK will require extensive testing. These tasks include validating the spatial and temporal alignment, PMT performance, data acquisition (DAQ) operation and trigger systems. This commissioning phase of the project will take place both from Paris and Kamioka, Japan, where construction is currently underway. The candidate will also participate in shifts and contribute to the current oscillation analysis on the related T2K experiment, providing hands-on experience with both accelerator and astroparticle physics. By integrating advanced computational techniques and machine learning into HyperK's reconstruction framework, this work will comprise an important contribution towards the success of this flagship experiment. In particular, the addition of machine learning techniques into experimental physics analyses will demonstrate if AI can improve performance without sacrificing precision, setting a precedent for future experiments. The candidate will develop expertise in both particle physics and high-performance computing, alongside ML techniques with widespread applications across academia and industry. This project represents a unique opportunity to shape HyperK's early physics analyses, by applying technical innovation to foundational questions in neutrino physics and Beyond the Standard Model phenomenology.