Raphaël Bertrand, Development of artificial intelligence algorithms embedded in FPGA based electronic boards for the ATLAS Liquid Argon Calorimeter trigger and data acquisition system

lundi 9 nov. 2026, 14:00 → 17:00 Europe/Paris

Amphithéâtre (CPPM)

Composition du jury :

Président de jury	Cristinel	Diaconu
Rapporteur	David	Rousseau
Rapporteur	Frédéric	Magniette
Examinatrice	Brigitte	Vachon
Directeur de thèse	Emmanuel	Monnier
Co-directeur de thèse	Georges	Aad

 

Résumé :

Le Grand Collisionneur de Hadron (LHC) augmentera sa luminosité instantanée d’un facteur 5 à 7 lors de sa mise à niveau vers le LHC à Haute Luminosité (HL-LHC). Cette augmentation entraînera une hausse importante de l’empilement, imposant de nouvelles contraintes sur l’électronique des détecteurs et le traitement des données en temps réel. Le calorimètre à argon liquide (LAr) d’ATLAS bénéficiera ainsi d’une nouvelle chaîne de lecture, comprenant notamment les cartes électronique de lecture (LASP) équipées de réseau de portes programmables in situ (FPGA) plus puissants, permettant l’utilisation d’algorithmes de reconstruction de l’énergie plus complexes que celui du filtrage optimal (OF) actuellement utilisé.

Dans ce contexte, plusieurs architectures de réseaux de neurones, récurrentes, convolutionnelles et denses, sont étudiées afin d’améliorer la reconstruction de l’énergie tout en respectant les contraintes de latence et de ressources matérielles des FPGAs. Une optimisation bayésienne des hyperparamètres a permis d’identifier des réseaux offrant une meilleure résolution en énergie qu'OF tout en restant compatibles avec leur implémentation sur FPGA.

Des méthodes d’estimation des incertitudes, la régression évidentielle profonde (DER) et la régression probabiliste directe (DPR), sont également étudiées afin d’identifier les reconstructions d’énergie peu fiables et de caractériser leurs incertitudes.

L’approche est ensuite étendue de la reconstruction cellule par cellule au tonneau entier du calorimètre électromagnétique, en regroupant les cellules présentant des formes d’impulsion similaires. Cette méthode réduit le nombre de réseaux nécessaires tout en conservant des performances comparables.

Enfin, les réseaux sont évalués pour la reconstruction des électrons issus de désintégrations de bosons $Z$. Plusieurs stratégies visant à atténuer l’empilement au sein d'un même évènement sont étudiées. Une correction fondée sur l'estimation de l’empilement à partir de la région adjacente aux électrons reconstruits, ainsi que l’entraînement des réseaux à omettre directement la contribution de l'empilement sont étudiés, ces deux approches montrant une amélioration des performances par rapport à OF. 

Ce travail démontre une amélioration de la reconstruction de l’énergie du calorimètre LAr grâce aux réseaux de neurones. Il ouvre également des pistes de réflexion pour l'élaboration de stratégies avancées de mitigation de l'empilement, ainsi que des améliorations des techniques de reconstruction. 

 

Abstract :

The Large Hadron Collider (LHC) will increase its instantaneous luminosity by a factor of 5–7 during the High-Luminosity LHC (HL-LHC) upgrade. At the HL-LHC, the number of proton-proton (p-p) collisions per bunch crossing (pileup) will increase significantly, imposing stringent requirements on detector electronics and real-time data processing. The ATLAS Liquid Argon (LAr) calorimeter, which measures the energy of electrons and photons, will undergo a complete upgrade of its readout electronics, including new off-detector boards (LASP) equipped with state-of-the-art FPGAs, providing increased processing power and memory capacity. These capabilities enable advanced energy reconstruction algorithms to replace the current optimal filtering (OF) algorithm.

Several neural network architectures based on recurrent, convolutional, and dense layers are developed to improve energy reconstruction while satisfying FPGA latency and hardware constraints. Bayesian optimisation is used to optimise their hyperparameters and limit network complexity. The resulting networks achieve better energy resolution than the legacy OF algorithm while remaining compatible with FPGA implementation. Uncertainty estimation techniques are also studied to complement the energy predictions. Two approaches, Deep Evidential Regression (DER) and Direct Probabilistic Regression (DPR), provide accurate uncertainty estimates with limited impact on network complexity, while DPR can be used to identify and suppress poorly reconstructed energy predictions.

The energy reconstruction approach is then extended from single cells to the full electromagnetic barrel calorimeter by grouping cells with similar pulse shapes and training one neural network per group. This reduces the number of required networks while maintaining performance comparable to cell-by-cell training. The networks are evaluated for electron reconstruction using $Z$-boson decays, with several strategies investigated to mitigate in-time pileup. Both an area correction and training the networks to directly suppress the in-time pileup contribution are investigated, with both approaches showing improved performance compared with OF.

This work demonstrates improved LAr calorimeter energy reconstruction with NNs. It opens the door for further improvements with advanced pileup mitigation strategies and updated clustering techniques. 

Lien Zoom :
https://univ-amu-fr.zoom.us/j/93824507335?pwd=ZiNJQDwQ2GmLFviwWUl1laKOGZ3dXC.1

ID de réunion: 938 2450 7335
Code secret: 876284