Séminaires LLR

Algorithmes statistiques pour l'ajustement des trajectoires

par Frédéric Magniette (LLR)

Europe/Paris
Seminar room (LLR)

Seminar room

LLR

Description
Dans les détecteurs à haute luminosité, l'empilement des traces rend difficile l'ajustement des trajectoires. En effet, leur entrelacement donne des images dans lequelles les traces sont brouillées, ce qui rend les méthodes habituelles de clustering moins efficaces (notamment toutes les méthodes de type "de proche en proche"). C'est dans ce contexte que j'ai choisi d'explorer une classe d'algorithmes statistiques (les EMs), déjà très utilisés pour de nombreuses applications scientifiques. Ces algorithmes permettent d'inférer des clusters de points avec des critères de distances et de distributions gaussiennes. Leur avantage par rapport aux autres méthodes (comme la transformée de Hough) est leur nature itérative, qui permet de converger vers des solutions stables et consolidées. Ils permettent de supporter des environnements bruyants et des imprécisions de mesure. Dans les publications statistiques sur ces algorithmes, le formalisme utilisé implique toujours des limitations en terme de souplesse d'utilisation. Au cours de ce travail, j'ai travaillé à lever ces limitations pour des traces linéaires. J'ai ainsi obtenu un algorithme (MFit) qui permet d'estimer des traces linéaires en dimension quelconque, sans a-priori d'aucune sorte et avec des performances compatible avec un traitement online des données. J'ai ensuite étendu ce travail aux traces circulaires, en rendant générique la partie algorithmique et en définissant un formalisme adapté pour la regression circulaire. Enfin, je me suis intéressé aux traces mixtes et j'ai conçu un algorithme (UFit) permettant d'estimer la meilleure des combinaisons entre les deux types de trajectoires et leur placement. Ces travaux ont été accompagnés par l'implémentation d'une librairie complète permettant d'utiliser ces algorithmes sur des cas réels et avec des performances intéressantes.
Slides