Le Dr Steven Schramm reçoit une bourse professorale Eccellenza du SNF

Le Dr Steven Schramm du Département de physique nucléaire et corpusculaire (DPNC) a obtenu une bourse professorale Eccellenza du FNS pour soutenir son projet intitulé "Transformer le bruit en données : une stratégie de découverte pour la nouvelle physique à faible interaction".

Cette bourse, ainsi que la subvention de démarrage qu'il a récemment reçue du ECR, lui permettront d'améliorer encore la portée et le potentiel de son programme de recherche prévu. Le projet consistera à rechercher de nouvelles particules très rares produites lors de collisions proton-proton au Grand Collisionneur de Hadrons (LHC) du CERN, situé à Genève, enregistrées par l'expérience ATLAS.

Le projet sera axé sur l'utilisation des données enregistrées d'une manière totalement nouvelle. Chaque fois que des protons entrent en collision au LHC et sont enregistrés par ATLAS, il se produit généralement une collision proton-proton à haute énergie et de nombreuses collisions à basse énergie. Cette seule collision à haute énergie est le point central de l'analyse standard des données ATLAS, tandis que toutes les autres représentent des bruits indésirables. Dans cette nouvelle approche, une analyse spécifique des collisions à basse énergie peut les transformer en une multitude de données utiles qui peuvent conduire à la découverte de nouvelles particules. Cette stratégie d'analyse spéciale comprendra à la fois des approches traditionnelles et des développements plus modernes dans le domaine de la science des données.

Le Dr Schramm est un expert de premier plan dans la collaboration ATLAS, et a précédemment dirigé le groupe de 200 personnes dédié à la caractérisation de la physique hadronique dans ATLAS (2018-2020). Il a en outre été le fondateur et le coordinateur du groupe inter-expérimental d'apprentissage des machines du CERN (2015-2018) dans ATLAS. Il va maintenant profiter de cette occasion pour mettre sur pied un groupe de recherche qui réunira ses connaissances en physique hadronique et en apprentissage des machines afin de rechercher de nouvelles données physiques cachées dans ce nouvel ensemble de données.