The ATLAS (http://atlas.cern) and CMS collaborations at the Large Hadron Collider (LHC) at CERN discovered the Higgs boson in 2012, a major milestone in our understanding of fundamental particles and their interactions. This discovery led to the 2013 Nobel Prize in Physics awarded to François Englert and Peter Higgs. Since then, the LHC experiments have collected substantially larger datasets during Runs 2 and 3, enabling increasingly precise measurements of the properties of the Higgs boson and extensive searches for new phenomena beyond the Standard Model. Run 3 data-taking was completed in 2026, and the LHC is now in its third Long Shutdown (LS3), during which the accelerator and the experiments are undergoing major upgrades in preparation for the High-Luminosity LHC (HL-LHC).

The HL-LHC is expected to start delivering collisions to the experiments in 2030 and will substantially increase the integrated luminosity available to the ATLAS experiment, with a target of around 3,000 fb?¹ over its physics programme. The ATLAS detector is undergoing a major upgrade to cope with the much higher collision rate and radiation levels expected during this phase. In particular, the current Inner Detector is being replaced by a new all-silicon Inner Tracker (ITk), providing improved tracking performance and extended coverage in the challenging environment of the HL-LHC.

The tracking information provided by the ITk is essential for reconstructing the trajectories of charged particles and for identifying jets originating from the hadronization of bottom quarks. This latter capability, known as b-tagging, is a key ingredient of the ATLAS physics programme. It plays an important role in measurements involving top quarks and the Higgs boson, as well as in searches for new physics and in the study of Higgs boson pair production. In recent years, b-tagging algorithms based on modern machine-learning and deep-learning techniques have led to significant improvements in performance. New generations of these algorithms are now being developed and optimized for the challenging conditions expected at the HL-LHC.

The student will use detailed Monte-Carlo simulations of the upgraded ATLAS detector to study the performance of b-tagging algorithms with the future ITk detector. The project will involve evaluating the impact of the latest detector configuration and reconstruction software on flavour-tagging performance, and investigating possible improvements to the algorithms and their inputs. The project provides an opportunity to gain experience in a broad range of topics, including LHC physics and the Higgs sector; silicon particle detectors; charged-particle tracking and pattern recognition; and modern machine-learning techniques applied to particle physics. The work will make use of existing ATLAS analysis and software frameworks, with a significant part of the analysis based on Python. Prior experience with Python is desirable but not mandatory.

La matière noire est une des grandes énigmes actuelles de la physique fondamentale. En effet, sa contribution supposée à la masse totale de l’Univers est de 85% mais elle ne peut être expliquée dans le cadre du Modèle Standard de la physique des particules (MS). Plusieurs candidats existent cependant dans les théories au-delà du MS : c’est le cas du WIMP (weakly interacting massive particle), un des candidats les mieux motivés car il permet de résoudre le problème de stabilité de la masse du boson de Higgs dans le MS.

Les expériences recherchant directement la matière noire utilisent le halo de matière noire entourant notre galaxie comme source potentielle de WIMPs. Depuis 2010, la technologie de détection la plus performante repose sur la mesure de la lumière de scintillation qui serait émise lors de la diffusion d’un WIMP sur un atome de liquide noble – argon ou xénon. L’expérience DarkSide-20k (DS-20k) est en cours d’installation à 1,4 km sous terre au laboratoire du Gran Sasso en Italie. Elle utilisera une chambre à projection temporelle (TPC) remplie de 50 tonnes d’argon purifié et équipée de 200 000 photomultiplicateurs au silicium (SiPMs). Cela lui permettra d’avoir l’un des meilleurs potentiels de découverte des WIMPs au niveau mondial après quelques années de prise de données. La phase actuelle est consacrée à la construction du détecteur. La prise de données est programmée pour 2029. L’augmentation du volume d’argon liquide par rapport aux expériences précédentes permettra à DS-20k d’avoir la meilleure sensibilité de tous les détecteurs à argon liquide et une sensibilité similaire aux détecteurs à xénon, assurant ainsi une technologie complémentaire, nécessaire pour confirmer ou infirmer une potentiel découverte.

Une fois la lumière collectée par les SiPMs, les données brutes sont traitées pour reconstruire l’information physique sur l’interaction d’origine. Cette étape fait le lien entre la prise de données et l’analyse physique. La précision avec laquelle sont reconstruites l’énergie, la position ou la topologie des événements a un impact direct sur la capacité à séparer le signal du bruit de fond, et donc sur la sensibilité du détecteur à un signal de matière noire. L’objectif de ce stage est de contribuer à l’amélioration des algorithmes intégrés au logiciel de reconstruction, et de quantifier leur impact sur les limites projetées de sensibilité aux interactions WIMP-nucléons. Le développement de ces algorithmes pourra reposer sur des techniques de pointe de machine learning et devra être implémenté de manière hautement optimisée en vue de l’immense quantité de données à traiter.

Ces études pourront être approfondies dans le cadre d'une thèse.

Plus de détails sur le groupe Matière Noire du CPPM :

https://www.cppm.in2p3.fr/web/fr/recherche/astroparticules/#Matière Noire

Le contexte : Plus de vingt ans après la découverte de la nature accélérée de l'expansion de l'Univers, il n'existe toujours pas d'explication définitive de son origine physique. Plusieurs types d'énergie noire ou même des alternatives/extensions à la relativité générale ont été proposés dans la littérature pour tenter d'expliquer l'accélération de l'expansion. En mesurant avec précision les taux d'expansion de l'Univers et de la croissance des structures à grande échelle, en fonction du temps cosmique, nous pouvons en apprendre davantage sur ce mystère cosmologique. En particulier à faible redshift, lorsque l'expansion est accélérée et que l'énergie noire domine l'expansion, nous souhaitons obtenir les meilleures contraintes sur le taux de croissance des structures. Ces mesures peuvent être réalisées en combinant les positions des galaxies et leurs vitesses. Les propriétés statistiques du champ de densité et de vitesse sont étroitement liées au modèle cosmologique sous-jacent.

Expériences : La mesure des taux d'expansion et de croissance de l'Univers est le principal objectif scientifique des expériences actuelles et futures telles que l'instrument spectroscopique de l'énergie noire (DESI), le Zwicky Transient Facility (ZTF), Euclid et le Vera Rubin Observatory Legacy Survey of Space and Time (Rubin-LSST).

DESI mesure actuellement la position de 40 millions de galaxies (avec leur décalage vers le rouge) et l'échantillon de galaxies à faible décalage vers le rouge sera le plus complet à ce jour.

L'étude ZTF permettra de découvrir plus de 5 000 supernovae de type Ia, dont nous pourrons déduire la vitesse des galaxies. Le projet Rubin-LSST portera ce nombre à plusieurs centaines de milliers.

Objectif de la thèse : Le candidat sélectionné travaillera à l'analyse conjointe des ensembles de données DESI et ZTF, qui contiennent des millions de galaxies et des milliers de supernovae de type Ia. Le candidat se familiarisera avec la physique et les statistiques des regroupements de galaxies, codera son propre pipeline d'analyse, le testera sur des simulations de pointe et l'appliquera sur des données réelles. La mesure du taux de croissance des structures avec les galaxies de DESI et les vitesses de ZTF sera essentiel dans le test de la relativité générale aux échelles cosmiques. Cette étude est dans le plan de route principal des projets DESI et ZTF.

Profil requis : Le candidat doit avoir un grand intérêt pour la cosmologie, les statistiques, l'analyse de données et la programmation (nous utilisons principalement python). La maîtrise de l'anglais et la capacité à travailler en équipe sont également requises.

The properties of the Higgs boson have a profound impact on the evolution of the Universe. The operation of the High-Luminosity Large Hadron Collider (HL-LHC), starting in 2030, will provide an unparalleled opportunity to deepen the understanding of the Higgs boson. However, the high pile-up collision environment at the HL-LHC poses significant challenges for data taking and event reconstruction in the ATLAS experiment. To mitigate the effects of high pile-up and fully exploit the physics potential of the HL-LHC, new readout electronics will be installed for the ATLAS liquid argon (LAr) calorimeter. The new electronics will support the reconstruction of calorimeter cell energies using neural networks (NNs). The CPPM ATLAS group plays a leading role not only in the development of the NN algorithms and the upgrade of the LAr calorimeter electronics, but also in studies of Higgs boson physics involving the decay of the Higgs boson into a pair of photons (H->yy).

High-quality reconstruction of LAr cell energies is important for the study of Higgs boson physics in the ATLAS experiment at the HL-LHC. The internship will focus on reconstructing electrons and photons using LAr cell energies reconstructed by NNs. This work may be followed by an evaluation of NN performance using simulated collision events, such as those of the H->yy process. Knowledge and experience in C++/ROOT or Python programming and machine-learning tools would be advantageous, but are not mandatory.

La matière noire est l’une des grandes énigmes de la physique fondamentale actuelle. Elle représente 85 % de la masse totale de l’Univers, mais n’a pas d’explication dans le cadre du Modèle standard de la physique des particules (MS). Plusieurs candidats à la matière noire existent dans des théories allant au-delà du MS : c’est le cas de l’axion, l’un des candidats les mieux motivés puisqu’il explique également l’absence de violation de la symétrie CP dans l’interaction forte.

La détection des axions nécessite de nouvelles techniques expérimentales, et très peu permettent de couvrir la plage de masse autour 100 micro-eV prévue par la théorie. MADMAX (MAgnetised Disk Mirror Axion eXperiment) est une des seules à relever ce défi en utilisant le concept novateur d’haloscope diélectrique, constitué d’une série de 80 disques d’un mètre de diamètre placés à l’intérieur d’un aimant dipolaire de 10 Teslas dans des conditions cryogéniques (~10 Kelvins). En contrôlant avec une précision de l’ordre du micromètre la position des disques, le signal électromagnétique produit par les axions est amplifié, ce qui permet de rechercher ces signaux extrêmement faibles de l’ordre de 10-27 Wm?². En 2025, la collaboration a publié la première recherche d’axions utilisant un haloscope diélectrique dans un aimant au CERN, établissant des meilleures limites mondiales autour de 80 micro-eV. Elle développe et teste actuellement de nouveaux prototypes, les essais cryogéniques et l’acquisition de données étant prévus pour 2027.

L'étudiant(e) analysera les données des tests du prototype actuel afin de caractériser sa réponse électromagnétique et d'en extraire son facteur de « boost » : une grandeur clé décrivant l'amplification par le détecteur d'un signal électromagnétique induit par un axion. Cela lui permettra d’acquérir une expérience pratique des techniques de mesure des fréquences micro-ondes, de l'analyse de données et des simulations électromagnétiques, en travaillant au sein d'une collaboration internationale actuellement en phase finale des essais du prototype.

Ce projet constitue une solide initiation à la physique expérimentale des astroparticules. En fonction des progrès réalisés et de la disponibilité des données, il pourrait être possible d’étendre l’analyse à de futurs prototypes ou à d’autres recherches menées dans le cadre du projet MADMAX, telles que celles portant sur les photons sombres.

[Compétences requises : maîtrise de Python et de l’électromagnétisme classique, ainsi qu’un intérêt pour la physique des particules et la cosmologie. Aucune expérience préalable en radiofréquences (RF) ou micro-ondes n’est requise.]

Plus de détails:

https://www.cppm.in2p3.fr/web/fr/recherche/astroparticules/#Mati%C3%A8re%20Noire

https://journals.aps.org/prl/abstract/10.1103/c749-419q

https://arxiv.org/abs/2109.07376