Annonce

Après une période d'exploitation très réussie, couronnée par la découverte du boson de Higgs, le grand collisionneur de hadrons (LHC) va subir une jouvence importante, en particulier pour améliorer sa luminosité. Ainsi, il est prévu de multiplier par dix le taux de collision, ce qui se traduira par un nombre extrêmement élevé de collisions simultanées (lors d’un seul croisement de faisceau). Les détecteurs de particules du LHC seront également modernisés pour faire face à cet environnement difficile. En outre, grâce à une granularité accrue et à une électronique de lecture plus avancée, ils visent à obtenir une meilleure reconstruction des événements, par exemple avec de nouveaux calorimètres à granularité élevée.
Dans ce projet, nous nous proposons de développer un algorithme de reconstruction des particules électromagnétiques et hadroniques à très faible latence pour améliorer le déclenchement des expériences sur collisionneurs hadroniques comme le LHC. Cet algorithme sera basé sur des méthodes d’apprentissage automatique (machine learning) de pointe. Il sera distribué par un grand nombre de composants à faible latence et de grande capacité, ce qui améliorera drastiquement l'efficacité de lecture et la capacité de reconstruction des futures expériences sur collisionneur. Cela aura un impact considérable sur le projet ambitieux des mesures attendues grâce à ces détecteurs colossaux. Nous montrerons l’impact apporté par ce développement dans les mesures de précision des propriétés du boson de Higgs, en se concentrant en particulier sur l’analyse de son auto-couplage.
Le développement d’algorithmes de machine learning avancés sur de l’électronique bas niveau telle que les Field Programmable Gate Arrays (FPGA) est un nouveau domaine émergent et passionnant. Pour accomplir les objectifs de ce projet, nous collaborerons avec d’autres laboratoires et instituts internationaux comme le CERN, Fermilab, CalTech, ce qui comprend des déplacements fréquents vers ces Instituts. Le ou la candidat(e) sélectionné(e) travaillera avec des outils de High Level Synthesis (HLS) pour pousser les réseaux de neurones jusqu’à leurs limites. Il ou elle aura besoin connaître les bases du C++ et de Python ; quelques connaissances sur les systèmes de mesures seraient un plus.

 

Développer un algorithme de reconstruction des particules électromagnétiques et hadroniques à très faible latence pour améliorer le déclenchement des expériences sur collisionneurs hadroniques comme le LHC
Systeme de déclenchement de l'expérience CMS

 

- un ou deux thésard suivi
- meeting bi-hebdomadaire + discussion à la carte
- co supervision

 

projet financé sur fonds TGIR (très grands instruments de recherche)
bourse CEA allouée pour la thèse (CFR)

 

Publications
Systeme de validation

 

CERN, Suisse

 

[1] N Tran et al, Fast inference of deep neural networks in FPGAs for particle physics, arXiv: 1804.06913.
[2] Future Circular Collider Study. Volume 3: The Hadron Collider (FCC-hh) Conceptual Design Report, preprint edited by M. Benedikt et al. CERN accelerator reports, CERN-ACC-2018-0058, Geneva, December 2018. Published in Eur. Phys. J. ST.
[3] The CMS collaboration, The Phase-2 Upgrade of the CMS Endcap Calorimeter, CERN-LHCC-2017-023 ; CMS-TDR-019