Dévelopement d'algorithmes de trajectographie basés sur l'apprentissage machine pour le futur Upstream Tracker de LHCb au LHC // Machine Learning-based Algorithms for the Futur Upstream Tracker Standalone Tracking Performance of LHCb at the LHC

Cette proposition vise à développer et améliorer les futures performances de trajectographie de l'expérience LHCb au Grand collisionneur de hadrons (LHC) via l’étude de divers algorithmes basés sur l'apprentissage machine automatique. Parmi les systèmes de trajectographie de LHCb, le sous-détecteur Upstream Tracker (UT) joue un rôle crucial dans la réduction du taux de fausses traces reconstruites dès les premières étapes du processus de reconstruction. Dans l'optique de pouvoir mener à bien les futures études de désintégrations rares de particules, la violation CP dans le Modèle standard, et l'étude du plasma de Quark et Gluon dans les collisions Pb-Pb, une trajectographie précise dans LHCb est obligatoire.

Avec les mises à jour du détecteur prévues d'ici 2035 et l'augmentation anticipée des taux de données, les méthodes de trajectographie traditionnelles risquent de ne pas répondre aux exigences computationnelles, notamment dans les collisions noyau-noyau où des milliers de particules sont produites. Durant la thèse, nous explorerons une gamme de techniques basées sur l'apprentissage machine automatique, comme celles déjà appliquées avec succès dans le Vertex Locator (VELO) de LHCb, pour améliorer la performance de trajectographie de l'UT. En appliquant des méthodes variées, nous visons à améliorer la reconstruction des trajectoires aux premiers stades de la reconstruction, accroître l'efficacité de trajectographie et réduire le taux de fausses traces. Parmi ces techniques, les réseaux de neurones graphiques (Graph Neural Networks, GNN) représentent une option particulièrement prometteuse grâce à l'exploitation des corrélations spatiales et temporelles des hits du détecteur.

Cette exploration de nouvelles méthodes impliquera des développements adaptés au matériel hardware, qu’il s’agisse de GPU, CPU ou FPGA, tous potentiellement présent dans l'architecture de reconstruction du futur LHCb. Nous comparerons les différents algorithmes par rapport aux méthodes de trajectographie actuelles afin de quantifier les améliorations en termes de performance, de scalabilité et d'efficacité computationnelle. De plus, nous prévoyons d’intégrer les algorithmes les plus performants au sein du logiciel de LHCb de de garantir leur compatibilité avec les pipelines de données existants.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This proposal focuses on enhancing tracking performance for the LHCb experiments during Run 5 at the Large Hadron Collider (LHC) through the exploration of various machine learning-based algorithms. The Upstream Tracker (UT) sub-detector, a crucial component of the LHCb tracking system, plays a vital role in reducing the fake track rate by filtering out incorrectly reconstructed tracks early in the reconstruction process. As the LHCb detector investigates rare particle decays, studies CP violation in the Standard Model, and study the Quark-Gluon plasma in PbPb collisions, precise tracking becomes increasingly important.

With upcoming upgrades planned for 2035 and the anticipated increase in data rates, traditional tracking methods may struggle to meet the computational demands, especially in nucleus-nucleus collisions where thousands of particles are produced. Our project will investigate a range of machine learning techniques, including those already demonstrated in the LHCb’s Vertex Locator (VELO), to enhance the tracking performance of the UT. By applying diverse methods, we aim to improve early-stage track reconstruction, increase efficiency, and decrease the fake track rate. Among these techniques, Graph Neural Networks (GNNs) are a particularly promising option, as they can exploit spatial and temporal correlations in detector hits to improve tracking accuracy and reduce computational burdens.

This exploration of new methods will involve development work tailored to the specific hardware selected for deployment, whether it be GPUs, CPUs, or FPGAs, all part of the futur LHCb’s data architecture. We will benchmark these algorithms against current tracking methods to quantify improvements in performance, scalability, and computational efficiency. Additionally, we plan to integrate the most effective algorithms into the LHCb software framework to ensure compatibility with existing data pipelines.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Pôle fr : Direction de la Recherche Fondamentale
Département : Institut de recherche sur les lois fondamentales de l’univers
Service : Service de Physique Nucléaire
Laboratoire : Laboratoire plasma de quarks et gluons (LQGP)
Date de début souhaitée : 01-10-2025
Ecole doctorale : PHENIICS (PHENIICS)
Directeur de thèse : BOBIN Jérôme
Organisme : CEA
Laboratoire : DRF/IRFU/DEDIP
URL : https://irfu.cea.fr/Phocea/Vie_des_labos/Ast/ast_groupe.php?id_groupe=500

Public/private mixed funding

Pôle fr : Direction de la Recherche Fondamentale
Département : Institut de recherche sur les lois fondamentales de l’univers
Service : Service de Physique Nucléaire

M2 ou equivalent en physique nucléaire, physique des particules ou informatique