GraphNeT : Réseaux de neurones graphes pour la reconstruction d’événements dans les télescopes à neutrinos

GraphNeT est un cadre open-source en Python conçu pour offrir une fonctionnalité complète, de haute qualité et conviviale, afin d’effectuer des tâches de reconstruction dans les télescopes à neutrinos à l’aide de réseaux de neurones à graphes (GNNs). GraphNeT permet de former rapidement et facilement des modèles complexes capables de réaliser une reconstruction d’événements avec des performances de pointe, quel que soit le configuration du détecteur, tout en assurant des temps de déduction d’un ordre de grandeur (voire plus) inférieurs à ceux des techniques traditionnelles de reconstruction. Les GNNs proposés par GraphNeT sont suffisamment flexibles pour être appliqués aux données provenant de tous les télescopes à neutrinos, y compris des projets futurs tels que des extensions d’IceCube ou P-ONE. Cela signifie que la reconstruction basée sur les GNNs peut être mise en œuvre pour atteindre des performances de pointe sur la plupart des tâches de reconstruction dans les télescopes à neutrinos, en temps réel, sur diverses expériences et analyses physiques, avec un potentiel d’impact considérable pour la physique des neutrinos et la physique des particules astrophysiques.