Institut multidisciplinaire d'intelligence artificielle
Sabine Crépé-Renaudin,
Directrice de recherche, LPSC, CNRS
crepe@in2p3.fr
Julien Donini,
Professeur, LPCA, UCA
julien.donini@uca.fr
Le projet JEDAI se concentre sur le développement de méthodes d'apprentissage automatique (ML) pour détecter des anomalies dans des données complexes, massives et multidimensionnelles, telles que celles produites en grande quantité par le Grand collisionneur de hadrons (LHC) du CERN. L'objectif physique principal est d'analyser les données de collision proton-proton collectées par l'expérience ATLAS au LHC afin d'identifier des anomalies qui pourraient indiquer la présence de nouveaux processus physiques. Pour cela, l'équipe JEDAI explorera la nature des jets – un jet de particules collimatées résultant du rayonnement d'un quark ou d'un gluon – car ceux-ci sont produits en grande quantité par des processus physiques fondamentaux et pourraient être la signature de nouvelles particules, prédites par certains modèles de matière noire, par exemple. La détection d'anomalies (AD) est un problème difficile qui nécessite des solutions d'intelligence artificielle adaptées aux nombreuses caractéristiques et à la nature des anomalies. Les anomalies recherchées au LHC devraient être très rares, difficiles à distinguer du bruit de fond et même inconnues. Ce projet promet d'explorer et de développer des techniques d'apprentissage automatique pour la détection d'anomalies, de prouver leur validité et leur efficacité en les appliquant à des données LHC uniques, et de diffuser les méthodologies qui en résulteront.
Un programme d'enseignement et de formation est associé à ce projet : jusqu'à quatre nouveaux cours seront proposés aux étudiants. La plupart des initiatives éducatives seront initialement hébergées à l'UCA, avant d'être envisagées à l'UGA (duplication ou transformation des cours).
Licence :
