Analyse en Temps Réel de Données Non Structurées à l'Aide de l'Apprentissage Automatique sur des Plateformes Hétérogènes

La physique des particules nécessite des ensembles de données toujours plus volumineux pour atteindre une meilleure précision et tester notre modèle actuel du monde subatomique. Les expériences avec des accélérateurs de particules, notamment le Grand Collisionneur de Hadrons (LHC) au CERN, connaissent actuellement des améliorations majeures. Ces progrès génèrent un volume croissant de données, entrainant une hausse des besoins informatiques.

Face à la crise climatique et à l'augmentation rapide des besoins énergétiques de l'intelligence artificielle, il est essentiel de développer des méthodes et algorithmes réduisant la consommation énergétique des calculs. Ainsi, les algorithmes doivent être adaptés aux nouvelles architectures matérielles pour éviter le gaspillage énergétique.

Au CERN, les données produites par le LHC sont si volumineuses qu'une année de données brutes pourrait correspondre à la capacité mondiale totale de stockage numérique. Elles doivent donc être filtrées en temps réel avant stockage définitif, permettant des analyses approfondies pour affiner le Modèle Standard.

Ce filtrage en temps réel, ou « trigger » nécessite des traitements informatiques complexes à très haute fréquence (jusqu'à 40 MHz). Cette thèse explore l'efficacité du déploiement de modèles d'apprentissage automatique dans ces environnements exigeants, afin d'optimiser débit et consommation énergétique, en utilisant du matériel moderne et des algorithmes récents.

Je présente une chaine de traitement basée sur des réseaux neuronaux à graphes, dédiée à la reconstruction des trajectoires de particules chargées pour l'expérience LHCb. Intégrées entièrement sur GPU dans le déclenchement de premier niveau, ses performances ont été comparées aux algorithmes traditionnels actuellement en production. Une implémentation accélérée sur FPGA a aussi été réalisée, permettant une comparaison de la consommation électrique et de la vitesse avec l'implémentation GPU.

En résumé, ce travail examine en profondeur les défis du déploiement d'apprentissages automatiques dans des environnements à haut débit de données, utilisant différentes architectures de calcul, tout en identifiant les progrès nécessaires pour les expériences futures en physique des particules.

Publications 2024-2025

• 2025
  • F. Giasemis : “Real-Time Analysis of Unstructured Data with Machine Learning on Heterogeneous Architectures”, soutenance de thèse, soutenance 05/09/2025, direction de recherche Granado, Bertrand, co-encadrement : Gligorov, Vladimir (LPNHE) (2025)
  • F. Giasemis, V. Lončar, B. Granado, V. Gligorov : “Comparative Analysis of FPGA and GPU Performance for Machine Learning-Based Track Reconstruction at LHCb”, (2025)
  • F. Giasemis, A. Sopasakis : “Learning Traffic Anomalies from Generative Models on Real-Time Observations”, (2025)
• 2024
  • A. Correia, F. Giasemis, N. Garroum, V. Gligorov, B. Granado : “Graph Neural Network-Based Track Finding in the LHCb Vertex Detector”, Journal of Instrumentation, vol. 19 (12), pp. p12022, (IOP Publishing) (2024)
  • Th. Strebler, A. Uras, O. Davignon, M. Aguena, A. Vallier, S. Sacerdoti, S. Caroff, B. Diab, Ch. Lastoria, O. Poncet, J. Daniel, B. Kutsenko, J. Couthures, M. Markovitch, M. Ginolin, D. Kuhn, H. Plombat, M. Fernoux, T. Cavaliere, P. Vaucelle, O. Kurdysh, A. Gillon, G. Raymond, V. Dabhi, G. Grolleron, C. Plard, C. Grimaud, Th. Nguyen Trung, Y. Pan, M.‑S. Carrasco, A. Daddi Hammou, V. Valencia, S. Peña Martínez, F. Bretaudeau, F. Giasemis, I. Ehle, E. Jourd'Huy, T. Miralles : “JRJC 2023 - Journées de Rencontres Jeunes Chercheurs. Book of Proceedings”, Journées de Rencontres Jeunes Chercheurs (JRJC 2023) (2024)
  • A. Correia, F. Giasemis, N. Garroum, V. Gligorov, B. Granado : “Graph Neural Network-Based Pipeline for Track Finding in the Velo at LHCb”, Proceedings of the CTD 2023, Toulouse, France, pp. proc-ctd2023-34 (2024)