Descriptif

Techniques avancées d’analyse de données en physique des hautes énergies (HEP) et au-delà

Cet enseignement constitue une introduction à la physique expérimentale des particules et propose une formation aux techniques avancées d’analyse de données utilisées dans ce domaine.

Les cours présenteront le contexte actuel de la physique des hautes énergies à travers les thèmes de recherche explorés au Laboratoire Leprince-Ringuet (LLR). Le Modèle standard de la physique des particules sera brièvement introduit, notamment dans le contexte de la recherche du boson de Higgs avec l’expérience Compact Muon Solenoid (CMS), installée auprès du Large Hadron Collider (LHC) au CERN. Le contexte expérimental sera également présenté, avec une introduction aux accélérateurs de particules et aux principes de détection. Les cours suivants porteront sur les interactions entre le rayonnement et la matière, ainsi que sur les techniques instrumentales de détection des particules. Les systèmes sophistiqués d’acquisition de données seront également décrits.

Les cours aborderont ensuite les principes de l’analyse des données collectées par les détecteurs de particules. Les techniques modernes d’analyse reposent largement sur les méthodes d’apprentissage automatique (machine learning). La physique des particules constitue en effet un domaine particulièrement propice au développement et à l’utilisation de techniques dédiées au traitement de grandes quantités de données (big data), qui trouvent également des applications dans de nombreux autres domaines scientifiques. Ces analyses nécessitent par ailleurs des outils statistiques spécifiques, qui seront également présentés.

Différentes approches d’apprentissage automatique seront étudiées, notamment les arbres de décision boostés (Boosted Decision Trees, BDT), les réseaux de neurones profonds (Deep Neural Networks, DNN) et les réseaux de neurones sur graphes (Graph Neural Networks, GNN). L’utilisation des autoencodeurs dans le cadre de recherches en physique, ainsi que les techniques de calcul parallèle, seront également abordées.

La dernière partie du cours prendra la forme d’un hackathon réunissant l’ensemble des étudiants. L’objectif sera de mettre en pratique les techniques étudiées en cours sur un sujet d’analyse utilisant de véritables données issues du LHC. Les étudiants seront amenés à utiliser des outils tels que Jupyter, une plateforme interactive de développement et d’exécution de code, GitHub, une plateforme de gestion et de collaboration autour du code, ainsi que des outils dédiés à l’entraînement de modèles d’apprentissage automatique.

Modalités d’évaluation : un rapport réalisé en binôme et une épreuve orale individuelle de 20 minutes, suivie de 10 minutes de questions.

Langue d’enseignement : anglais.