Modèles de fondation pour la représentation hiérarchique et la reconstruction des événements de collision de particules

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.

Approche d’ingénierie système basée sur les modèles pour l'automatisation et l'optimisation de l'exploration d'architectures de contrôle de qubits

La conception de l'architecture système pour contrôler des millions de qubits dans un ordinateur quantique est un défi complexe en raison des contraintes strictes issues de domaines techniques hétérogènes (micro-électronique, information quantique, thermique). Elle requiert des formalismes et des outils dédiés pour permettre son automatisation et optimisation. Là où les approches traditionnelles restent cloisonnées, l'ingénierie système basée sur les modèles (MBSE) et le langage de modélisation standard SysML v2 apportent un cadre d'intégration unique pour l'analyse et l'exploration des espaces de conception de systèmes multi-physiques complexes.
Pour capturer ces architectures dans des modèles SysML v2, ce travail de recherche vise à proposer des adaptations de ce langage de modélisation au domaine quantique en créant des extensions dédiées (bibliothèques et métadonnées).
A partir de ces modèles, ces recherches exploreront comment les algorithmes quantiques ou hybrides de référence impactent ces architectures, notamment à l’aune de l’estimation des ressources nécessaires à ces applications et des mécanismes de correction d’erreurs employés.
La thèse entend développer une démarche pour l'automatisation et l'optimisation de l'exploration de ces architectures. Pour cela elle étudiera comment adapter des algorithmes de recherche opérationnelle à l’exploration de l’espace de conception, en y intégrant des analyses de sensibilité, des heuristiques de relaxation de contraintes et une prise en compte des incertitudes physiques.
Ce travail de recherche ambitionne d'identifier les paramètres les plus dimensionnants et d’apporter des connaissances nouvelles capables d’orienter vers les axes de R&D les plus prometteurs.
La thèse sera réalisée au CEA Grenoble.