New Small Wheel Muon Detector Trigger Processor Hardware and Beyond Standard Model Searches Using Machine Learning Techniques in the ATLAS Experiment at LHC
Processeur de déclenchement du détecteur de muons "New Small Wheel" et recherches au-delà du modèle standard à l'aide de techniques d'apprentissage automatique dans l'expérience ATLAS au LHC
Résumé
The Standard Model of particle physics represents the culmination of human understanding in terms of the fundamental building blocks of the universe and how they interact at a fundamental level. Yet, it is still missing several pieces such as solutions for the gauge hierarchy problem, and the mechanisms behind neutrino masses and dark matter candidates, all of which require new physics and Beyond Standard Model (BSM) theories. Pushing those frontiers implies constant improvements both in the experimental capabilities and theoretical understanding of the High-Energy Particle Physics (HEPP) scientific community. While the last breakthrough on this front was arguably one decade ago with the
discovery of the Higgs boson, those last 10 years brought explosive growth in terms of technological development in scientific computation, both on the hardware and software side. Machine Learning (ML) methods have seen widespread adoption and success across many fields, aided by the increasingly better performing Graphics Processing Unit (GPU) hardware acceleration. This Ph.D. research aims to study the potential effectiveness of applying Neural Network (NN) implementations to improve different areas of HEPP.
On the detector side, I focused on evaluating the feasibility of hardware-level trigger for the newly installed ATLAS New Small Wheel (NSW) end-cap muon detector. The Trigger Processor (TP) operates in-situ on Field-Programmable Gate Array (FPGA) hardware within a 200 ns time budget allowed for making a Level-0 (L0) trigger decision. Those are very stringent requirements and considering how resource-hungry NN-inference is, the model was designed specifically to mitigate those inherent limitations. In the end, a Convolutional Neural Network (CNN) approach was chosen to interpret hits from the NSW’s eight MicroMegas (MM) detector planes and trained to output quantities related to the likelihood for a muon track to originate from the interaction point (IP).
The second main topic of this thesis involves the exploration of unsupervised learning as a means to model-agnostic BSM searches. Provided access to data generated by well-understood SM processes, a NN is trained to compress the events into a lower-dimensional representation and use it to reconstruct the original input. This type of model is called Autoencoder (AE), and a high error of an event’s reconstruction is a potential indicator that the event is not part
of the same distribution as the training data, namely SM data. Combining such a model with NN-based density estimation results in an ensemble called Probabilistic Autoencoder (PAE) and this represented the central technique employed in this research. The PAE was tested as a potential tool for identifying new physics in a model-independent way in the context of jet physics and showed promising results.
Le modèle standard de la physique des particules représente le point culminant de la compréhension humaine en termes de blocs de construction fondamentaux de l'univers et de leur interaction à un niveau fondamental. Pourtant, il lui manque encore plusieurs pièces, comme les solutions au problème de la hiérarchie de jauge, les mécanismes à l'origine des masses des neutrinos et les candidats à la matière noire, qui nécessitent tous une nouvelle physique et des théories au-delà du modèle standard (BSM). Repousser ces frontières implique une amélioration constante des capacités expérimentales et de la compréhension théorique de la communauté scientifique de la physique des particules à haute énergie (HEPP). Si la dernière percée sur ce front remonte sans doute à une décennie avec la découverte du boson de Higgs, ces dix dernières années ont été marquées par une croissance explosive en termes de développement technologique dans le domaine du calcul scientifique, tant du point de vue matériel que logiciel. Les méthodes d'apprentissage automatique (ML) ont été largement adoptées et ont connu un grand succès dans de nombreux domaines, grâce à l'accélération matérielle de plus en plus performante des unités de traitement graphique (GPU). Cette recherche de doctorat vise à étudier l'efficacité potentielle de l'application de mises en œuvre de réseaux neuronaux (NN) pour améliorer différents domaines de HEPP.
Du côté des détecteurs, je me suis concentré sur l'évaluation de la faisabilité du déclenchement au niveau hardware pour le détecteur de muons ATLAS "New Small Wheel" (NSW) récemment installé. Le processeur de déclenchement (TP) fonctionne in situ sur du hardware FPGA (Field-Programmable Gate Array) avec un budget temps de 200 ns pour prendre une décision de déclenchement de niveau 0 (L0). Il s'agit d'exigences très strictes et, compte tenu du fait que l'inférence NN est gourmande en ressources, le modèle a été conçu spécifiquement pour atténuer ces limitations inhérentes. En fin de compte, une approche de réseau neuronal convolutif (CNN) a été choisie pour interpréter les résultats des huit plans de détection MicroMegas (MM) du NGS et entraînée à produire des quantités liées à la probabilité qu'une piste de muons provienne du point d'interaction (IP).
Le second sujet principal de cette thèse concerne l'exploration de l'apprentissage non supervisé comme moyen de recherche de BSM agnostique. En ayant accès aux données générées par des processus SM bien compris, un NN est entraîné à comprimer les événements dans une représentation de plus faible dimension et à l'utiliser pour reconstruire l'entrée originale. Ce type de modèle est appelé Autoencodeur (AE), et une erreur élevée de reconstruction d'un événement est un indicateur potentiel que l'événement ne fait pas partie de la même distribution que les données d'apprentissage.
de la même distribution que les données d'apprentissage, à savoir les données SM. La combinaison d'un tel modèle avec l'estimation de densité basée sur les réseaux neuronaux donne un ensemble appelé autoencodeur probabiliste (PAE), qui représente la technique centrale employée dans cette recherche. Le PAE a été testé en tant qu'outil potentiel pour identifier une nouvelle physique de manière indépendante du modèle dans le contexte de la physique des jets et a donné des résultats prometteurs.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|