Ce sujet de thèse s’inscrit dans le cadre de l’expérience NUCLEUS, qui a pour but de mesurer précisément le processus de diffusion cohérente des neutrinos sur noyaux (DCNN) sur la centrale nucléaire de Chooz dans les Ardennes. Bien qu’aux énergies du ~MeV, la DCNN soit le mode prépondérant d’interaction des neutrinos avec la matière, elle est restée très longtemps inobservée à cause de la difficulté à mesurer les faibles reculs nucléaires qu’elle produit. Ce n’est que 40 ans après sa prédiction que ce processus a été observé pour la première fois en 2017 avec des neutrinos de quelques dizaines de MeV à l’accélérateur du laboratoire d’Oak Ridge. La détection de ce processus sur un réacteur nucléaire reste à faire, notamment parce que les reculs nucléaires correspondants se situent dans une gamme en énergie (~100 eV) très difficilement accessible avec des technologies de détection conventionnelles, mais aussi à cause des conditions de bruit de fond généralement défavorables qu’offre l’environnement d’une centrale nucléaire. La collaboration NUCLEUS développe ainsi un système de détection innovant répondant à ces deux problématiques. Il utilisera deux réseaux de calorimètres cryogéniques d’une masse d’environ 10g capables d’atteindre des seuils de l’ordre de 10eV, entourés par un double système de blindages cryogéniques instrumentés. Cet ensemble de détecteurs cryogéniques, installé dans un cryo-réfrigérateur à tube pulsé, sera protégé par un blindage radiologique externe et par un véto muon pour améliorer l’identification et la discrimination des bruits de fond externes typiquement présents sur un site expérimental en surface tel que celui aménagé à Chooz pour l’expérience (rayons cosmiques secondaires et radioactivité naturelle). Avec cet ensemble, NUCLEUS a pour objectif une première observation de la DCNN auprès d’un réacteur nucléaire, en établissant une toute nouvelle technique pour la détection des antineutrinos de réacteur. Dans une seconde phase, NUCLEUS augmentera sa masse de détecteur cible pour une mesure précise de la DCNN afin de pousser l’étude des propriétés fondamentales du neutrino ainsi que la recherche de nouvelle physique vers les basses énergies, domaine qui reste aujourd’hui largement inexploré. La DCNN se distingue d’autre part des canaux usuels de détection des neutrinos du MeV (désintégration beta inverse, diffusion neutrino-électron), par une section efficace 10 à 1000 fois supérieure, permettant d’entrevoir à terme une miniaturisation des détecteurs de neutrinos à longue portée.

L’expérience est actuellement dans une première phase de mise en service et de tests dans les locaux de l’université technique de Munich. S’ensuivront courant 2024 plusieurs prises de données, dont le but est de (i) qualifier et valider les performances des différents détecteurs, (ii) valider la stratégie globale de réduction des bruits de fond et (iii) étudier et mitiger « l’excès », un accroissement exponentiel du taux de comptage d’évènements à basse énergie observés dans les calorimètres cryogéniques, d’origine inconnue, et qui pourrait dégrader la sensibilité de l’expérience à un signal DCNN. Le déménagement sur la centrale nucléaire de Chooz se fera après l’été 2024, phase qui sera pilotée par nos équipes. C’est dans ce contexte que l’étudiant(e) débutera sa thèse, en participant à l’ensemble des opérations d’intégration et de mise en service de l’expérience sur site. Cette étape cruciale nécessitera la mise en place de nombreux tests et prises de données pour régler, mettre au point et synchroniser les différents systèmes de détection de l’expérience. Elle/il se concentrera particulièrement sur le véto cryogénique externe et le véto muon, qui ont été conçus et réalisés par nos équipes. L’analyse et l’exploitation des données issues de cette phase de mise en service permettront à l’étudiant(e) de se familiariser avec l’ensemble des outils d’analyse bas- et haut-niveau existants pour le diagnostic et la caractérisation de ces détecteurs. L’une de ses tâches sera à terme d’améliorer ces outils, et de mettre en place une chaine d’automatisation pour le diagnostic et le traitement du large volume de données journalières (environ 10 TB) qui sera pris lors du premier run de physique de l’expérience.
L’extraction du signal de DCNN nécessite en amont plusieurs études. La première est de caractériser la réponse en énergie et en temps des détecteurs sur la période de prise de données. L’étudiant(e) prendra en charge l’une de ces tâches, en s’appuyant sur le travail déjà accompli pendant la phase de mise en service. Ce travail aboutira à une compréhension fine du fonctionnement des détecteurs et l’identification de tous les facteurs susceptibles d’influer sur leur comportement. À noter que notre équipe a proposé et est responsable d’une méthode d’étalonnage innovante des calorimètres cryogéniques aux reculs nucléaires, avec l’installation d’un banc de mesures dédié sur un réacteur de recherche de faible puissance situé à l’université technique de Vienne (Autriche). L’étudiant(e) pourra éventuellement s’impliquer dans cet effort en vue de l’interprétation des données collectées à Chooz. Fort de ces résultats, l’étudiant(e) s’attachera ensuite à l’extraction et à l’étude d’une composante spécifique de bruit de fond dans les données. Ce travail permettra de consolider et d’ajuster un modèle prédictif des bruits de fond de l’expérience utilisant l’outil de simulation Monte Carlo Geant 4. Enfin, l’étudiant(e) s’attachera à mettre en place des tests statistiques simples pour caractériser le niveau de confiance avec lequel un signal DCNN peut-être extrait des données après soustraction des bruits de fond mesurés.
Pour terminer, l’étudiant(e) pourra utiliser les premières données issues du run de physique à Chooz pour mener une étude originale sur la recherche de nouvelle physique avec la DCNN (mesure de l’angle de Weinberg à basse énergie, recherche de nouveaux couplages des neutrinos à la matière, études des propriétés électromagnétiques du neutrino, etc.). Ce travail nécessitera de mettre en place des outils fins de traitement statistique des données, afin d’une part de comprendre l’impact des différentes sources d’incertitudes, d’origine expérimentale ou théorique, sur les contraintes obtenues, et d’autre part de garantir la fiabilité des résultats.