L’étude des mécanismes de production des quarkonia (J/ψ or Υ) dans les collisions proton-proton (pp) est intéressante car elle nécessite de prendre en compte les aspects perturbatifs et non perturbatifs de la ChromoDynamique Quantique (QCD). La production de quarkonia en fonction de la multiplicité des particules chargées a été mesurée pour la première fois dans les collisions pp avec le détecteur ALICE au Grand collisionneur de hadrons (LHC). Ces mesures présentent une corrélation non triviale qui peut conduire à une meilleure compréhension du mécanisme d’interaction partonique multiple dans l’état initial de la collision ainsi que des effets collectifs possibles dans les petits systèmes. L’étude du dernier échantillon de données enregistré au LHC en collisions pp aux énergies les plus élevées jamais atteintes en laboratoire (√s=13 TeV) permettra d’étudier des événements à forte multiplicité. Avec ALICE, les quarkonia sont mesurés jusqu’à des impulsions transverses nulles. Les charmonia (J/ψ, cc̄ ) sont détectés par leur désintégration en diélectrons à mi-rapidité (|y|< 0.9) et en dimuons en rapidité vers l’avant (2.5 < y < 4). Les bottomonia (Υ, bb̄) sont détectées par leur décroissance en dimuons en rapidité vers l’avant. La multiplicité des particules chargées est mesurée à l’aide de segments de traces avec le détecteur de silicium à pixels pour |η|< 1. Dans cette thèse, nous présenterons les premières mesures réalisées avec ALICE des productions relatives d’Υ(1S) et Υ(2S) en fonction de la multiplicité des collisions pp à √s =13 TeV. Nous discuterons du rapport relatif des Υ(2S) par rapport aux Υ(1S) en fonction de la multiplicité des particules chargées. La comparaison entre les J/ψ et les Υ(1S) mesurés en rapidité avant en fonction de la multiplicité sera également examinée. Ces études permettront d’examiner la dépendance possible de la corrélation mesurée avec les différentes masses des quarkonia considérés et les différents types de contenus en quark. La dépendance du domaine en rapidité et de l’énergie de la collision sera également considérée. / The study of quarkonium (J/ψ or Υ) in proton-proton (pp) collisions is interesting as both perturbative and non perturbative aspects of Quantum ChromoDynamics (QCD) are involved in the production mechanism. The quarkonium production as a function of charged-particle multiplicity has been measured in a pp collisions with ALICE detector at the Large Hadron Collider (LHC). They exhibit a non-trivial correlation that can lead to a better understanding of the multi-parton interaction mechanism in the initial state of the collision as well as possible collective effects in small systems. Thestudy of latest data sample recorded at the LHC in pp collisions at the highest collision energies everreached in the laboratory (√s = 13 TeV) will allow to investigate high multiplicity events. In ALICE,quarkonia are measured down to zero transverse momentum. Charmonia (J/ψ, cc̄) are detected viatheir decay into di-electrons at mid-rapidity (|y|< 0.9) and dimuons at forward rapidity (2.5 < y < 4).Bottomonia (Υ, bb̄) are detected via their decay into dimuons at forward rapidity. Charged-particlemultiplicity is measured using track segments in the silicon pixel detector in |η|< 1. In this thesis, we will present the first ALICE measurements of relative Υ(1S) and Υ(2S) productions as a function of multiplicity in pp collisions at √s =13 TeV. We will discuss the ratio of the relative Υ(2S) overΥ(1S) as a function of charged-particle multiplicity. The comparison between the relative J/ψ andΥ(1S) yields measured at forward rapidity as a function of multiplicity will also be discussed. This will provide insight of possible dependence of the measured correlation with different mass and quark contents as well as the evolution with rapidity range and the collision energy.

La physique des particules est une branche de la science qui est actuellement régie sous un ensemble de lois nommé le \textit{modèle standard} (MS). Il dicte notamment quelles particules existent et comment elles interagissent entre elles. Il permet de prédire toutes sortes de résultats qui sont constamment testés et confirmés par une multitude d'expériences, dont l'expérience ATLAS, au Grand Collisionneur de Hadrons (LHC). Toutefois, ce modèle hautement précis et juste ne peut décrire qu'environ 5\% de la matière de l'Univers et s'avère donc incomplet. Les scientifiques passent au peigne fin plusieurs études pour y retrouver de la nouvelle physique, mais en vain. \\ Les théoriciens ne sont pas en reste non plus, et ont concocté plusieurs théories pouvant être vues comme des extensions du modèle standard. Malheureusement, plus de dix ans après la découverte du boson de Higgs au LHC qui venait confirmer la théorie actuelle du MS, aucun signe de ces extensions n'a pu être trouvé. Nous proposons dans ce mémoire d'utiliser l'intelligence artificielle pour aider à trouver certains indices de nouvelle physique. \\ Pour ce faire, nous entraînerons des modèles d'apprentissage automatique \textit{(machine learning)} à reconnaître des signes de la nouvelle physique dans des données réelles ou simulées issues de collisions proton-proton au sein du détecteur ATLAS. Ce détecteur oeuvre au LHC, le plus grand collisionneur au monde, où nos données proviennent d'énergies de centre de masse de \mbox{13 TeV.} Nous utiliserons les quadrivecteurs des particules contenues dans les jets boostés à grand rayon, des amas collimatés de particules présents dans ATLAS, qui pourraient contenir cette fameuse nouvelle physique. Dans ce mémoire, nous tenterons entre autres de retrouver des signaux de quarks top ainsi que de particules hypothétiques issues d'un modèle avec un secteur étendu du boson de Higgs. \\ Actuellement, nos modèles sont capables de bien distinguer le signal du bruit de fond. Toutefois, les résultats sont corrélés à la masse des jets et toute tentative pour contrecarrer cette corrélation diminue de beaucoup la discrimination du signal et du bruit de fond. De plus, nous devrons améliorer le rejet du bruit de fond pour espérer retrouver de la nouvelle physique dans les données d'ATLAS. \\ \textbf{Mots-clés : physique des particules, LHC, Grand collisionneur de hadrons, ATLAS, CERN, intelligence artificielle, apprentissage automatique, réseau de neurones, auto-encodeur variationnel, anomalies, jet boosté, jet à grand rayon} / Particle physics is currently governed by a set of laws called the Standard Model. This model notably includes which particles exist and how they interact with one another. It also allows the prediction of many results which are constantly tested and confirmed by all kinds of experiments, like the ATLAS experiment at the Large Hadron Collider (LHC). However, this highly precise model can only describe 5\% of the Universe, so it is incomplete. Scientists across the globe analyzed all kinds of data to find new physics, but to no avail. \\ Theorists also aren't resting, and have concocted many new theories which can be seen as Standard Model extensions. Unfortunately, more than ten years after the discovery of the Higgs boson at LHC that confirmed the last bits of the Standard Model, no signs of these extensions have been found. In light of this, we propose to use artificial intelligence to help us find signs of new physics. \\ To perform this task, we will train machine learning models to recognize signs of new physics inside real or simulated data originating from proton-proton collisions in the ATLAS detector. This detector operates at LHC, the biggest particle collider in the world, where our data will come from center-of-mass energies of \mbox{13 TeV.} We will use four-vectors of particles contained within large radius and boosted jets, which are dense streams of particles present in ATLAS and where new physics might hide. In this dissertation, we will notably try to find signals of top quarks and hypothetical particles originating from a model with an extended Higgs boson sector. \\ Currently, our models are able to distinguish between signal and background noise. However, these results are heavily correlated to jet mass, and any attempt at diminishing this correlation yields worse discriminating power between signal and background. We will also need to improve the background rejection to hope find new physics in the ATLAS data. \\ \textbf{Keywords : particle physics, LHC, ATLAS, CERN, artificial intelligence, deep learning, neural network, variational autoencoder, anomaly, boosted jet, large radius jet}