MODELE DE FONDATION POUR L'EXPERIENCE LHCB AU CERN // FOUNDATION MODEL FOR THE LHCB EXPERIMENT AT CERN

Au CERN, l’expérience LHCb observe des protons entrer en collision des dizaines de millions de fois par seconde et doit décider, en temps réel, quelles collisions conserver. Aujourd’hui, cela repose sur des milliers de petits programmes écrits à la main, un par signal de physique, une approche qui ne passe plus à l’échelle. En parallèle, l’IA a été révolutionnée par les « modèles de fondation », ces grands modèles derrière des outils comme ChatGPT : on entraîne un seul grand modèle une fois sur d’énormes données, puis on le réutilise pour de nombreuses tâches. Cette thèse demande si l’on peut construire un tel modèle pour LHCb : une IA unique qui apprend à « lire » une collision entière et peut ensuite servir à de multiples études de physique. Tu construirais la première version de ce modèle, l’entraînerais directement sur de vraies données du CERN (et non seulement sur des simulations, ce qui fait son originalité), et montrerais qu’il se transfère d’une tâche à l’autre en nécessitant beaucoup moins d’étiquetage manuel. En chemin, tu apprendrais l’IA moderne de façon concrète (PyTorch, entraînement sur GPU) et l’analyse de données d’une expérience majeure. Aucune expertise préalable en IA n’est requise : curiosité, bonnes bases en programmation et intérêt pour la physique ou l’apprentissage automatique suffisent. Le travail est accueilli au CEA/Irfu, aux côtés de l’équipe HEPfoundry qui développe des modèles de fondation pour la physique, avec le CERN/LHCb en partenaire.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

At CERN, the LHCb experiment sees protons collide tens of millions of times per second and must decide, in real time, which collisions to keep. Today this is done by thousands of small programs, each hand-written for one physics signal, an approach that no longer scales. Meanwhile, AI has been revolutionised by “foundation models”, the kind of large models behind tools like ChatGPT: train one big model once on huge amounts of data, then reuse it for many different tasks. This PhD asks whether we can build such a model for LHCb: a single AI that learns to “read” a whole collision and can then be reused across many physics studies. You would build the first version of this model, train it directly on real CERN data (not just simulations, which is what makes it novel), and show that it transfers from one task to another while needing far less hand-labelling. Along the way you will learn modern AI hands-on (PyTorch, large-scale GPU training) and real data analysis from a flagship experiment. No prior AI expertise is required, curiosity, solid programming, and an interest in physics or machine learning are what matter. The work is hosted at CEA/Irfu, alongside the HEPfoundry team building foundation models for physics, with partners at CERN/LHCb.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

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 : 01-09-2027
Ecole doctorale : PHENIICS (PHENIICS)
Directeur de thèse : CASTILLO Javier
Organisme : CEA
Laboratoire : DRF/IRFU/DPhN/LQGP

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