Le monde énigmatique des protons dévoilé par l’IA
Le projet NNNPDF, financé par l’UE, visait à explorer d’une manière nouvelle la vie intérieure d’une particule connue, le proton, et sa structure, à l’aide de techniques d’apprentissage automatique. «La structure du proton est prédite par la théorie des interactions fortes, l’une des quatre forces fondamentales de la nature. Cependant, déterminer cette structure à partir des premiers principes est extrêmement complexe», fait remarquer Stefano Forte, coordinateur du projet. Celui-ci explique que la structure du proton doit être déduite des données en comparant les prédictions aux expériences, telles que celles du Grand collisionneur de hadrons du CERN, en conservant la structure du proton comme une variable inconnue. «Le défi consiste alors à découvrir une loi de la physique, dont l’existence est connue mais ne peut être dérivée des premiers principes. C’est un peu comme apprendre une nouvelle langue sans en connaître la grammaire: un problème typique de l’apprentissage automatique», explique Stefano Forte.
Surmonter les défis de la mise en œuvre de l’apprentissage automatique
Le défi unique que représente l’étude des particules subatomiques telles que les protons réside dans leur nature quantique. «Contrairement à un rouage dans un mécanisme, un quark dans un proton ressemble à un petit morceau de nuage. Les lois de la physique que nous recherchons prédisent les probabilités d’événements plutôt que les événements eux-mêmes», ajoute Stefano Forte. «Par conséquent, nous avions besoin d’une approche d’apprentissage automatique non conventionnelle qui transcende la reconnaissance des formes, comme les images, et décode plutôt les probabilités d’événements.» Pour ce faire, l’équipe de NNPDF a été confrontée à deux obstacles techniques majeurs. Le premier concernait la génération efficace d’un grand nombre de prédictions pouvant être interprétées statistiquement. Le second consistait à explorer l’espace de tous les modèles possibles pour trouver celui décrivant le mieux la nature de manière objective et impartiale. L’équipe a utilisé des réseaux neuronaux et des réseaux neuronaux profonds comme modèles d’inférence, associés à la méthode de Monte-Carlo pour reproduire la nature statistique de leurs résultats. Elle a également recouru à l’optimisation des hyperparamètres et à la validation croisée à k blocs pour explorer différentes classes de modèles et tester leur pouvoir de généralisation. Le regroupement en grille et l’accélération matérielle ont permis le traitement rapide de grands volumes de données, améliorant ainsi l’efficacité de l’analyse.
La force motrice de l’application de l’apprentissage automatique à la physique des hautes énergies
La nécessité croissante de l’apprentissage automatique en physique des hautes énergies découle du besoin d’extraire des signaux cachés à partir de vastes quantités de données. Des défis subsistent cependant, notamment celui d’éviter les biais de l’expérimentateur et d’évaluer avec précision les incertitudes. Le projet NNNPDF s’est attaqué de front à ces défis, démontrant l’immense potentiel de l’apprentissage automatique dans ce domaine. «La recherche en physique des hautes énergies étant axée sur la précision, la détection de signaux subtils exige un contrôle exceptionnel de la précision expérimentale et théorique. Notre principale contribution a consisté à développer des outils d’apprentissage automatique dont la précision a pu être évaluée de manière fiable», souligne Stefano Forte. «Les techniques d’apprentissage automatique sont de plus en plus répandues dans le domaine de la physique des hautes énergies. Bien qu’aucune découverte n’ait encore été directement attribuée à l’apprentissage automatique, nous avons rapporté la première preuve que les quarks lourds (quarks charmés) font partie de la fonction d’onde du proton. Notre découverte publiée dans la revue «Nature» est peut-être le premier exemple d’une percée dans le domaine de l’apprentissage automatique», ajoute Stefano Forte. Les réalisations du projet NNNPDF ont des répercussions directes et indirectes dans divers domaines. Directement, la description précise de la structure du proton permet de tester subtilement la théorie actuelle des interactions fondamentales, ce qui pourrait contribuer à la découverte de la nature de la matière noire. Indirectement, les méthodologies avancées proposées en matière d’apprentissage automatique, de science des données et de calcul à haute performance pourraient trouver des applications allant bien au-delà de la physique des particules.
Mots‑clés
NNNPDF, apprentissage automatique, structure du proton, physique des hautes énergies, probabilités d’événements, Grand collisionneur de hadrons, quarks lourds, quarks charmés, matière noire
