Les mesures de précision réalisées au Grand collisionneur de hadrons (LHC) nécessitent une compréhension détaillée des particules produites lors de chaque collision ainsi que des relations qui les unissent. Cependant, la reconstruction du processus physique sous-jacent reste extrêmement difficile. Différentes chaînes de désintégration peuvent produire des signatures expérimentales similaires, plusieurs associations de particules peuvent être compatibles avec un même événement, et les particules non détectées laissent une information incomplète. Une représentation reliant ces observations à différentes interprétations physiques possibles pourrait améliorer la reconstruction et fournir une base commune à plusieurs analyses.
Dans le cadre de ce projet, nous proposons de développer une représentation hiérarchique des événements de collision au sein du programme HEP Foundry, dirigé par les encadrants. Cette représentation reliera, dans un modèle commun d’apprentissage automatique, les particules reconstruites, les objets composites et les chaînes de désintégration possibles. Le modèle sera d’abord entraîné sur divers processus simulés, puis adapté à des tâches de reconstruction spécifiques. L’objectif est de conserver plusieurs interprétations physiquement compatibles d’un événement et d’en quantifier les incertitudes. La production de paires de bosons de Higgs (HH), en particulier dans l’état final comportant quatre quarks bottom, constituera le principal cas d’étude physique. Ce processus permet de sonder l’auto-couplage du boson de Higgs et la forme du potentiel de Higgs, ce qui en fait un objectif majeur du programme de physique du LHC. Sa reconstruction complexe et ses importants bruits de fond constitueront un test particulièrement exigeant pour le cadre proposé.
Ce projet de thèse s’intégrera naturellement dans le cadre de l’initiative ScienceFace, notamment en contribuant au développement d’outils logiciels communs pour la curation de données scientifique et la construction de modèles des fondation scientifiques.