Cette proposition vise à développer et améliorer les futures performances de trajectographie de l'expérience LHCb au Grand collisionneur de hadrons (LHC) via l’étude de divers algorithmes basés sur l'apprentissage machine automatique. Parmi les systèmes de trajectographie de LHCb, le sous-détecteur Upstream Tracker (UT) joue un rôle crucial dans la réduction du taux de fausses traces reconstruites dès les premières étapes du processus de reconstruction. Dans l'optique de pouvoir mener à bien les futures études de désintégrations rares de particules, la violation CP dans le Modèle standard, et l'étude du plasma de Quark et Gluon dans les collisions Pb-Pb, une trajectographie précise dans LHCb est obligatoire.

Avec les mises à jour du détecteur prévues d'ici 2035 et l'augmentation anticipée des taux de données, les méthodes de trajectographie traditionnelles risquent de ne pas répondre aux exigences computationnelles, notamment dans les collisions noyau-noyau où des milliers de particules sont produites. Durant la thèse, nous explorerons une gamme de techniques basées sur l'apprentissage machine automatique, comme celles déjà appliquées avec succès dans le Vertex Locator (VELO) de LHCb, pour améliorer la performance de trajectographie de l'UT. En appliquant des méthodes variées, nous visons à améliorer la reconstruction des trajectoires aux premiers stades de la reconstruction, accroître l'efficacité de trajectographie et réduire le taux de fausses traces. Parmi ces techniques, les réseaux de neurones graphiques (Graph Neural Networks, GNN) représentent une option particulièrement prometteuse grâce à l'exploitation des corrélations spatiales et temporelles des hits du détecteur.

Cette exploration de nouvelles méthodes impliquera des développements adaptés au matériel hardware, qu’il s’agisse de GPU, CPU ou FPGA, tous potentiellement présent dans l'architecture de reconstruction du futur LHCb. Nous comparerons les différents algorithmes par rapport aux méthodes de trajectographie actuelles afin de quantifier les améliorations en termes de performance, de scalabilité et d'efficacité computationnelle. De plus, nous prévoyons d’intégrer les algorithmes les plus performants au sein du logiciel de LHCb de de garantir leur compatibilité avec les pipelines de données existants.