Projets & contributions Projects & contributions

Key4HEP est un effort communautaire international visant à fournir un cadre logiciel unifié pour les futurs détecteurs de physique des hautes énergies, notamment dans le cadre du projet FCC (Future Circular Collider) au CERN. J'ai contribué au développement du framework d'analyse FCCAnalyses, qui permet aux physiciens de réaliser des analyses end-to-end — de la simulation de particules aux résultats publiables.

Key4HEP is an international community effort to provide a unified software framework for future high-energy physics detectors, notably in the context of the FCC (Future Circular Collider) project at CERN. I contributed to the development of the FCCAnalyses analysis framework, enabling physicists to perform end-to-end analyses — from particle simulation to publishable results.

• Développement et maintenance de FCCAnalyses (Python + C++), utilisé par ~50 groupes de physique
• Architecture de pipelines de traitement d'événements sur des jeux de données à l'échelle du pétaoctet
• Intégration CI/CD, tests automatisés et documentation complète
• Encadrement de doctorants et post-docs sur les workflows d'analyse

• Development and maintenance of FCCAnalyses (Python + C++), used by ~50 physics groups
• Event processing pipeline architecture on petabyte-scale datasets
• CI/CD integration, automated testing and full documentation
• Supervision of PhD students and postdocs on analysis workflows

LiLiTTool est un outil Python spécialisé dans les analyses statistiques de type profil de vraisemblance (profile likelihood) et les tests d'hypothèses fréquentistes, typiques en physique des hautes énergies. Il propose une interface simplifiée pour construire des modèles statistiques, calculer des intervalles de confiance et visualiser les résultats.

LiLiTTool is a Python tool specialised in profile likelihood statistical analyses and frequentist hypothesis tests, typical in high-energy physics. It provides a simplified interface to build statistical models, compute confidence intervals and visualise results.

• Interface Python haut niveau sur ROOT/RooStats pour les non-experts en statistique
• Calcul de limites d'exclusion et d'intervalles de confiance (CL_s, Feldman-Cousins)
• Visualisation automatique des scans de vraisemblance et des intervalles
• Utilisé dans plusieurs publications HEP (ATLAS, FCC)

• High-level Python interface on ROOT/RooStats for non-statisticians
• Computation of exclusion limits and confidence intervals (CL_s, Feldman-Cousins)
• Automatic visualisation of likelihood scans and intervals
• Used in several HEP publications (ATLAS, FCC)

En collaboration avec un laboratoire de bio-informatique, développement d'une plateforme complète pour l'analyse de données de criblage pharmacologique (HTS — High-Throughput Screening). Le système automatise l'ingestion, le contrôle qualité, la normalisation et le scoring des données, et fournit un tableau de bord interactif pour les biologistes et les chimistes.

In collaboration with a bioinformatics laboratory, development of a complete platform for high-throughput screening (HTS) data analysis. The system automates ingestion, quality control, normalisation and scoring, and provides an interactive dashboard for biologists and chemists.

• Pipeline de traitement automatisé des données HTS (ingestion, QC, normalisation)
• Modèles ML pour le classement de composés actifs et la réduction des faux positifs
• Dashboard interactif (Python / Dash) pour l'exploration et l'export des résultats
• Intégration avec des bases de données de composés chimiques (ChEMBL, PubChem)

• Automated HTS data processing pipeline (ingestion, QC, normalisation)
• ML models for active compound ranking and false positive reduction
• Interactive dashboard (Python / Dash) for results exploration and export
• Integration with chemical compound databases (ChEMBL, PubChem)

Conception et développement d'une plateforme de collecte et d'analyse de données de performance pour athlètes de haut niveau. Le système agrège des données de capteurs physiologiques (fréquence cardiaque, GPS, accéléromètres), les traite en quasi-temps réel et produit des indicateurs actionnables pour les entraîneurs.

Design and development of a data collection and analysis platform for high-performance athletes. The system aggregates data from physiological sensors (heart rate, GPS, accelerometers), processes it in near-real-time and produces actionable metrics for coaches.

• Architecture de collecte de données multi-sources (IoT, wearables, GPS)
• Traitement en quasi-temps réel et détection d'anomalies physiologiques
• Tableau de bord web pour visualisation et comparaison de sessions d'entraînement
• Export de rapports PDF personnalisés pour les entraîneurs

• Multi-source data collection architecture (IoT, wearables, GPS)
• Near-real-time processing and physiological anomaly detection
• Web dashboard for visualisation and comparison of training sessions
• Custom PDF report export for coaches