Apprentissage profond géométrique pour les reconstruction des traces de particules à haute énergie – DeepTrack

La phase de haute luminosité du LHC (HL-LHC), qui débutera en 2026 et dont la première prise de données est prévue pour le Run 4 (2029-2032), jouera un rôle crucial pour fournir des indications sur les lacunes du modèle standard de la physique des particules. Une reconstruction précise, robuste et rapide de la trajectoire des particules chargées est essentielle pour tout type d'étude réalisée au LHC. Cependant, la reconstruction des traces des particules à partir des dépôts d'énergie mesurés par le nouveau trajectographe d'ATLAS, l'Inner Tracker (ITk), sera un véritable défi en raison de la très grande combinatoire à laquelle il faudra faire face dans les conditions du HL-LHC. Il est extrêmement important de développer des algorithmes de reconstruction des traces plus efficaces afin d'exploiter pleinement les données qui seront enregistrées au HL-LHC et de garantir des résultats de physique significatifs.
L'objectif de cette proposition est d'étudier et de démontrer qu'une reconstruction de la trajectoire des particules chargées basée sur un réseau de neurones graphiques apporte des améliorations significatives en termes de performances physiques, de temps de calcul et de robustesse par rapport à l'approche actuelle du filtre de Kalman combinatoire (CKF), améliorant ainsi la portée des études physique de l'expérience ATLAS au HL-LHC.