Matthieu Melennec soutient sa thèse

Matthieu Melennec soutient sa thèse le jeudi 15 octobre 2026 à 14h00 dans l’amphi 1003 du BEM.

Réseaux de neurones optimaux à convolution de graphes pour une identification efficace des particules

Les futurs détecteurs de particules à haute granularité génèrent des masses de données sous forme de nuages de points, ce qui met à l’épreuve les algorithmes de reconstruction traditionnels. Bien que les réseaux de neurones sur graphes (GNN) puissent traiter ces ensembles de données, leur déploiement est limité par la complexité calculatoire de la construction des graphes et des opérations de pooling. Pour palier à ces problèmes, cette thèse introduit des modèles d’apprentissage géométrique optimisés, conçus spécifiquement pour des agencements de capteurs fixes. L’algorithme Proximity Table k-NN (PT-KNN) réduit la complexité de la construction des graphes à un régime sous-quadratique en utilisant des voisinages de capteurs précalculés. Pour le pooling, l’algorithme Treclus, de complexité linéaire, réduit la densité des nœuds tout en préservant la topologie des graphes. De plus, une lecture voxélisée précalculée projette les cellules le long des axes de symétrie du détecteur afin d’aplatir des graphes de taille variable en tenseurs fixes, éliminant ainsi les coûts du suivi dynamique.

Le cadre d’apprentissage est validé sur deux géométries de détecteurs distinctes pour démontrer ses performances et sa généricité. Premièrement, dans une géométrie de calorimètre à haute granularité (HGCAL) au HL-LHC, les pipelines optimisés atteignent des performances de l’état de l’art dans l’identification de particules en cinq classes, la régression d’énergie avec une possibilité de parallelisation, et la segmentation d’objets superposés. Nous discutons des possibilités d’implémentation au sein d’autres cadres existants. Deuxièmement, l’architecture est adaptée pour le détecteur Cherenkov Hyper-Kamiokande, où elle effectue la régression des caractéristiques des positrons et identifie les captures de neutrons pour la détection du fond diffus de neutrinos de supernovas via des désintégrations bêta inverses. Enfin, pour répondre aux contraintes du déclenchement en ligne (online trigger), ces architectures GNN sont projetées sur des circuits logiques programmables (FPGA).