Advancing Machine Learning for High Energy Physics : From Jet Calibration Optimisation to Time Series Anomaly Detection

Faire progresser l'apprentissage automatique pour la physique des hautes énergies : de l'optimisation de l'étalonnage des jets à la détection des anomalies dans les séries temporelles ATLAS est un des deux détecteurs de particules polyvalents du Grand Collisionneur de Hadrons (Large Hadron Collider (LHC)) au CERN. En enregistrant des collisions proton-proton et des collisions de noyaux à des fréquences allant jusqu'à 40 MHz, le volume de données générées par ATLAS est sans précédent. Afin d'exploiter correctement ces données et de mesurer des observables du Modèle Standard de la physique des particules, mais aussi de rechercher de nouveaux phénomènes, nous avons besoin d'algorithmes efficaces et précis. Cette thèse étudie les méthodes basées sur l'apprentissage automatique pour relever deux défis centraux dans le traitement des données d'ATLAS : l'étalonnage de l'énergie des jets et le contrôle de la qualité des données du système calorimétrique. Ces questions sont importantes car elles constituent les premières difficultés de la collecte de données de haute qualité dans les expériences de collisionneurs de hadrons.Premièrement, nous proposons une approche unifiée de l'étalonnage des jets en fusionnant plusieurs étapes de la chaîne d'étalonnage actuelle de l'expérience ATLAS. Nous combinons un étalonnage basé sur un réseau de neurones avec une fonction de perte qui optimise la résolution de l'énergie des jets directement dans les données, en utilisant l'asymétrie des dijets comme proxy. Cette approche vise à réduire les ressources nécessaires à la dérivation de l'étalonnage final des jets, tout en maintenant ou en améliorant la résolution de l'énergie des jets.Deuxièmement, nous étudions la détection des anomalies dans les séries temporelles multivariées pour le contrôle de la qualité des données. L'identification précise des moments auxquels des défauts se produisent est essentielle mais difficile, car les types d'anomalies sont inconnus à l'avance et les données étiquetées de manière fiable sont rares. Nous évaluons des modèles non-supervisés basés sur les transformeurs et comparons leurs performances aux méthodes traditionnelles sur des données publiques et des données du calorimètre à argon liquide de détecteur ATLAS. Pour adresser le manque d'étiquettes fiables, nous utilisons le simulateur Lorenzetti - un cadre général pour la simulation de calorimètres pour des particules de haute énergie - où nous introduisons des défauts artificiels pour évaluer la sensibilité et la robustesse de diverses méthodes de détection.Dans le contexte du réseau européen SMARTHEP, ce travail a été réalisé en collaboration avec IBM Research, qui partage un intérêt pour la détection des anomalies dans les séries temporelles en raison de ses applications potentielles à la détection des fraudes.Ensemble, ces contributions soulignent comment des techniques modernes d'apprentissage automatique peuvent améliorer les performances des détecteurs et la fiabilité des données dans les expériences de physique des particules, tout en démontrant également leur potentiel interdisciplinaire plus large.