Choisissez le fuseau horaire
Le fuseau horaire de votre profil:
LAATU Lauri, Development of artificial intelligence algorithms adapted to big data processing in embedded (FPGAs) trigger and data acquisition systems at the LHC
→
Europe/Paris
Amphi (CPPM)
Amphi
CPPM
Description
Composition du jury :
Julie MALCLES Rapporteure
CEA Saclay IRFU, CEA, Univer-
sité Paris-Saclay
Julien DONINI Rapporteur
LPC, Université Clermont Au-
vergne, CNRS/IN2P3
Christophe OCHANDO Examinateur
LLR, Institut Polytechnique de
Paris
Cristinel DIACONU Président du jury
CPPM, Aix Marseille Univer-
sité, CNRS/IN2P3
Emmanuel MONNIER Directeur de thèse
CPPM, Aix Marseille Univer-
sité, CNRS/IN2P3
Georges AAD Co-directeur de thèse
CPPM, Aix Marseille Univer-
sité, CNRS/IN2P3
Pour se connecter :
206 830 5409
https://cern.zoom.us/j/2068305409?pwd=WE11NVpNSjZPc0I3TlpEU2FXT0N2UT09
Résumé en français :
La période de haute luminosité du grand collisionneur de hadrons (HL-LHC) est une occasion unique pour étudier le modèle standard de la physique des particules et pour découvrir de nouveaux phénomènes en physique fondamentale. Le détecteur ATLAS sera mis à niveau pour se préparer au HL-LHC, en particulier l'électronique de lecture du calorimètre à argon liquide sera remplacée, ce qui permettra d'utiliser des réseaux neuronaux intégrés sur des FPGA puissants. L'énergie déposée dans le calorimètre est actuellement calculée par un algorithme de filtrage optimal dont la performance se dégrade au HL-LHC. Dans cette thèse, des réseaux neuronaux récurrents (RNN) sont développés pour améliorer le calcul de l'énergie et surpasse l'algorithme existant. Des méthodes de regroupement sont employées pour réduire le nombre de RNN nécessaires, ce qui permet une mise en œuvre efficace de ces algorithmes pour l'ensemble des 182000 canaux du calorimètre.
Abstract en anglais :
The High Luminosity era of the Large Hadron Collider (HL-LHC) is a unique opportunity to study with unprecedented precision the Standard Model of particle physics and to discover new fundamental physics phenomena. In 2026-2029, the ATLAS detector will be upgraded to prepare for the HL-LHC, specifically the readout electronics of the liquid argon calorimeter will be replaced allowing the usage of embedded neural networks on new powerful FPGAs. The energy deposited in the calorimeter is currently computed by an optimal filtering algorithm. However, the performance of this algorithm will degrade in the high luminosity conditions of the HL-LHC. In this dissertation, recurrent neural networks (RNNs), optimized for FPGA deployment, are developed to improve the energy computation in the calorimeter. These RNNs are shown to outperform the existing algorithm. Clustering methods are employed to reduce the number of needed RNNs allowing an efficient implementation of these algorithms for all 182000 channels of the calorimeter.
