Le Département d'Électronique des Détecteurs et d'Informatique pour la Physique

Les amas de galaxies qui se forment à l’intersection des filaments de matière, sont de très bons traceurs de la distribution de matière de l’Univers. Composés à 85% de matière noire et de 15% de matière baryonique (galaxies et gaz chaud émettant en rayons X), ils sont une précieuse source d’information pour la Cosmologie et leur étude nous renseigne sur la physique de formation des structures. Pour cela, il est important de les détecter et de les caractériser avec précision.

La sensibilité de la mission Euclid, la prochaine grande mission de cosmologie de l’ESA dont le lancement est prévu en 2023, devrait permettre une détection aveugle des amas de galaxies par effet de lentille gravitationnelle. Cet effet qui génère des distorsions cohérentes dans les images des galaxies d’arrière-plan est étroitement lié à la masse totale (matière noire et baryonique) projetée de l’amas de galaxie intégrée le long de la ligne de visée. Ce point, combiné avec la taille du relevé (15 000 deg2) devrait permettre de construire un catalogue d’amas de galaxies détectés par effet de lentille gravitationnelle faible, unique de par sa taille et ses caractéristiques de sélection. Contrairement aux catalogues d’amas de galaxies construits jusqu’à maintenant qui sont détectés par leur contenu baryonique qui ne représente que 15% de la masse totale (e.g. via le contenu en gaz de l’amas en X ou via l’effet Sunyaev-Zeldovich (SZ) aux longueurs d’ondes millimétriques ou encore via les émissions dans le visible des galaxies), le catalogue d’amas détectés par effet de lentille gravitationnelle est directement lié à la masse totale des amas et de ce fait vraiment représentatif de la vraie population d’amas de galaxies. Cela devrait apporter de nouvelles contraintes sur l’abondance des amas de galaxies, et ainsi avoir des implications en cosmologie.

Ce projet de recherche qui vise à développer des méthodes innovantes pour la détection et la caractérisation des amas de galaxies par effet de lentille gravitationnelle se déroulera dans un contexte très stimulant grâce au lancement imminent du satellite Euclid en 2023. Il permettra une application aux données de la mission Euclid et une participation à l’exploitation scientifique des données.

Les problèmes de démélange aveugle et semi-aveugle sont des problèmes inverses classiques et omniprésents dans un très large éventail de domaines scientifiques allant du traitement du son, du traitement du signal médical à la télédétection ou à l'astrophysique. Dans ces domaines, le développement rapide de capteurs multispectraux haute résolution/haute sensibilité impose le développement d'outils d'analyse dédiés. Pour ce type de données, les observations peuvent être modélisées comme la combinaison linéaire ou non linéaire de diverses composantes physiques élémentaires, qui doivent être récupérées par l'astrophysicien. Cependant, les méthodes de l'état de l'art souffrent de deux goulots d'étranglement majeurs lorsqu'elles sont confrontées aux applications du monde réel : i) la capacité de récupérer des solutions physiquement interprétables, ii) leur coût de calcul élevé, qui limite largement leur applicabilité. À cette fin, l'objectif de ce travail est d'étudier de nouvelles approches, basées sur l'apprentissage automatique, pour aborder le problème du démélange aveugle et semi-aveugle (lorsque l'on n'a accès à aucune ou seulement à une connaissance partielle des composants à restaurer). Plus précisément, nous avons introduit un nouvel algorithme basé sur des techniques de déroulage pour aborder le démélange supervisé. Nous avons montré que les techniques de déroulage permettent de prendre en compte des informations d'ordre physique pour démélanger les données, ce qui conduit à des solutions plus pertinentes d'un point de vue physique à un coût de calcul très faible. L'objectif est ensuite de généraliser ces travaux antérieurs aux cas plus difficiles de l'aveugle/semi-aveugle, ce qui nécessitera de revoir l'architecture du modèle ainsi que son optimisation. Les résultats seront testés et validés avec des données astrophysiques de rayons X (par exemple Chandra) ainsi que des simulations d'ondes gravitationnelles en préparation de LISA.

L’observatoire spatial LISA, dont le lancement est prévu en 2035 ; sera constitué de trois satellites éloignés de 2.5 millions de kilomètres et permettra la détection directe d’ondes gravitationnelles indétectables par les interféromètres terrestres, ouvrant une nouvelle fenêtre d’observations en astrophysique. Afin de maximiser le potentiel scientifique d’une telle mission, l’analyse des données fera intervenir différentes étapes dont l’une des premières est le « pipeline » d’analyse rapide, dont le rôle est la détection de nouveaux évènements, ainsi que la caractérisation d’évènements. Au-delà de l’intérêt pour LISA, ce pipeline d’analyse à faible latence joue un rôle primordial pour le suivi rapide des évènements détectés par des observations électromagnétiques (observatoires au sol ou spatiaux, des ondes radios au rayons Gamma). Si des méthodes d’analyse rapides ont été développées pour les interféromètres au sol, le cas des interféromètres spatiaux tel que LISA reste un champ à explorer. Ainsi, un traitement adapté des données devra prendre en compte le mode de transmission des données par paquet, nécessitant ainsi la détection d’évènements à partir de données incomplètes, entachées d’artefacts. Ces méthodes devront permettre la détection et la caractérisation d’évènements aussi divers que la fusion de trous noirs, les EMRI (binaires spiralantes de rapport de masses extrême), bursts et binaires d’objects compacts. Tout ceci devant opérer en quasi-temps réel. A cette fin, cette thèse aura pour objectif d’une part la généralisation des méthodes classiques, fondées sur le matched filtering, à l'analyse des données LISA et d’autre part au développement d’une nouvelle approche fondée sur l'apprentissage automatique pour la détection et la caractérisation précoce des fusions de trous noirs. Ces méthodes se feront dans le cadre du consortium LISA et contribueront au développement d’un pipeline d’analyse rapide en France.

Après une période d'exploitation très réussie, couronnée par la découverte du boson de Higgs, le grand collisionneur de hadrons (LHC) va subir une jouvence importante, en particulier pour améliorer sa luminosité. Ainsi, il est prévu de multiplier par dix le taux de collision, ce qui se traduira par un nombre extrêmement élevé de collisions simultanées (lors d’un seul croisement de faisceau). Les détecteurs de particules du LHC seront également modernisés pour faire face à cet environnement difficile. En outre, grâce à une granularité accrue et à une électronique de lecture plus avancée, ils visent à obtenir une meilleure reconstruction des événements, par exemple avec de nouveaux calorimètres à granularité élevée.



Dans ce projet, nous nous proposons de développer un algorithme de reconstruction des particules électromagnétiques et hadroniques à très faible latence pour améliorer le déclenchement des expériences sur collisionneurs hadroniques comme le LHC. Cet algorithme sera basé sur des méthodes d’apprentissage automatique (machine learning) de pointe. Il sera distribué par un grand nombre de composants à faible latence et de grande capacité, ce qui améliorera drastiquement l'efficacité de lecture et la capacité de reconstruction des futures expériences sur collisionneur. Cela aura un impact considérable sur le projet ambitieux des mesures attendues grâce à ces détecteurs colossaux. Nous montrerons l’impact apporté par ce développement dans les mesures de précision des propriétés du boson de Higgs, en se concentrant en particulier sur l’analyse de son auto-couplage.



Le développement d’algorithmes de machine learning avancés sur de l’électronique bas niveau telle que les Field Programmable Gate Arrays (FPGA) est un nouveau domaine émergent et passionnant. Pour accomplir les objectifs de ce projet, nous collaborerons avec d’autres laboratoires et instituts internationaux comme le CERN, Fermilab, CalTech, ce qui comprend des déplacements fréquents vers ces Instituts. Le ou la candidat(e) sélectionné(e) travaillera avec des outils de High Level Synthesis (HLS) pour pousser les réseaux de neurones jusqu’à leurs limites. Il ou elle aura besoin connaître les bases du C++ et de Python ; quelques connaissances sur les systèmes de mesures seraient un plus.

Les expériences de physique des particules sur les futurs collisionneurs linéaires à e-e+ nécessitent des progrès dans la résolution spatiale des détecteurs de vertex (jusqu’au micron), ceci afin de déterminer précisément les vertex primaires et secondaires pour des particules de grande impulsion transverse. Ce type de détecteur est placé près du point d’interaction. Ceci permettra de faire des mesures de précision en particulier pour des particules chargées de faible durée de vie. Nous devons par conséquent développer des matrices comprenant des pixels de dimension inférieure au micron-carré. Les technologies adéquates (DOTPIX, Pixel à Puit/Point quantique) devraient permettre une avance significative en reconstruction de trace et de vertex. Bien que le principe de ces nouveaux dispositifs ait été étudié à l’IRFU (voir référence), ce travail de doctorat devrait se focaliser sur l’étude de dispositifs réels qui devraient alors être fabriqués garce aux nanotechnologies en collaboration avec d’autres Instituts. Cela requiert l’utilisation de codes de simulation et la fabrication de structures de test. Les applications en dehors de la physique se trouvent pour l’essentiel dans l’imagerie X et les cameras holographiques dans le visible.