Développement d’algorithmes de trajectographie basés sur l’apprentissage automatique pour le détecteur Upstream Pixel de LHCb au LHC // Machine Learning-Based Algorithms for Real-Time Standalone Tracking in the Upstream Pixel Detector at LHCb

Cette thèse vise à développer et optimiser les futures performances de trajectographie de l’expérience LHCb au Grand collisionneur de hadrons (LHC) grâce à l’exploration d’algorithmes avancés d’apprentissage automatique. Le nouveau sous-détecteur Upstream Pixel (UP), situé avant le champ magnétique, jouera un rôle central à partir du Run 5 pour réduire précocement le taux de fausses traces et améliorer la reconstruction rapide des trajectoires dans des environnements à forte multiplicité.

Afin de mener avec succès les programmes de physique ambitieux de LHCb — étude des désintégrations rares, violation de CP dans le Modèle Standard, caractérisation du plasma de quarks et de gluons dans les collisions d’ions lourds — une trajectographie rapide et extrêmement précise est indispensable. Cependant, l’augmentation des taux de données et de la complexité des événements attendue pour les futures prises de données impose de dépasser les méthodes classiques, en particulier dans les collisions noyau-noyau où des milliers de particules chargées sont produites simultanément.

Dans ce contexte, nous étudierons une gamme de techniques modernes d’apprentissage automatique, dont certaines ont déjà fait leurs preuves pour la trajectographie dans le détecteur VELO de LHCb. En particulier, les Réseaux de Neurones à Graphes (Graph Neural Networks, GNN) constituent une solution prometteuse permettant d’exploiter les corrélations géométriques entre impacts pour améliorer l’efficacité de reconstruction tout en réduisant les faux positifs.

Le travail de thèse comprendra dans un premier temps le développement d’une simulation GEANT4 réaliste du détecteur UP afin de produire des jeux de données adaptés à l’apprentissage machine. Dans un second temps, les modèles les plus performants seront optimisés pour une exécution en temps réel sur GPU, en accord avec l’évolution du système de reconstruction Allen de LHCb. Ils seront ensuite intégrés et validés dans le framework logiciel de l’expérience, avec à la clé une contribution majeure à la performance de LHCb pour le Run 5 et les phases ultérieures du programme expérimental.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This PhD aims to develop and optimize next-generation track reconstruction capabilities for the LHCb experiment at the Large Hadron Collider (LHC) through the exploration of advanced machine learning (ML) algorithms. The newly installed Upstream Pixel (UP) detector, located upstream of the LHCb magnet, will play a crucial role from Run 5 onward by rapidly identifying track candidates and reducing fake tracks at the earliest stages of reconstruction, particularly in high-occupancy environments.

Achieving fast and highly efficient tracking is essential to fulfill LHCb’s rich physics program, which spans rare decays, CP-violation studies in the Standard Model, and the characterization of the quark–gluon plasma in nucleus–nucleus collisions. However, the increasing event rates and data complexity expected for future data-taking phases will impose major constraints on current tracking algorithms, especially in heavy-ion collisions where thousands of charged particles may be produced per event.

In this context, we will investigate modern ML-based approaches for standalone tracking in the UP detector. Successful applications in the LHCb VELO tracking system already demonstrate the potential of such methods. In particular, Graph Neural Networks (GNNs) are a promising solution for exploiting the geometric correlations between detector hits, allowing for improved tracking efficiency and fake-rate suppression, while maintaining scalability at high multiplicity.

The PhD program will first focus on the development of a realistic GEANT4 simulation of the UP detector to generate ML-suitable datasets and study detector performance. The next phase will consist in designing, training, and benchmarking advanced ML algorithms for standalone tracking, followed by their optimization for real-time GPU-based execution within the Allen trigger and reconstruction framework. The most efficient solutions will be integrated and validated inside the official LHCb software stack, ensuring compatibility with existing data pipelines and direct applicability to Run-5 operation.

Overall, the thesis will provide a major contribution to the real-time reconstruction performance of LHCb, preparing the experiment for the challenges of future high-luminosity and heavy-ion running.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

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 : 01-10-2026
Ecole doctorale : Matière, Molécules et Matériaux (3M)
Directeur de thèse : CASTILLO Javier
Organisme : CEA
Laboratoire : DRF/IRFU/DPhN/LQGP
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