Cet article aborde les simulations de réponse des détecteurs, essentielles à la compréhension du fonctionnement interne des collisions de particules au Grand collisionneur de hadrons (LHC) du CERN. Les méthodes statistiques conventionnelles de Monte-Carlo étant coûteuses en calcul et sollicitant considérablement la grille de calcul du CERN, cette étude propose une approche d'apprentissage automatique génératif pour des simulations efficaces. Pour remédier à la variation significative de la distribution des données entre les simulations, difficile à appréhender avec les méthodes conventionnelles, nous proposons ExpertSim, une approche de simulation par apprentissage profond adaptée au calorimètre à zéro degré de l'expérience ALICE. ExpertSim utilise une architecture de type « mélange d'experts génératifs » pour spécialiser chaque expert dans la simulation d'un sous-ensemble de données différent, améliorant ainsi la précision et la rapidité. Cette approche offre des gains de rapidité par rapport aux méthodes conventionnelles de Monte-Carlo, et le code est disponible sur GitHub.
