Quand les machines décident de ce qui compte : AI cherche une nouvelle physique dans le flux de données du collisionneur

Chaque seconde à l'intérieur de l'anneau de 27 kilomètres du Grand Collisionneur de Hadrons, 40 millions de collisions de particules se produisent. La grande majorité de ces événements ne seront jamais enregistrés — les ingénieurs ont passé des décennies à construire des filtres qui décident quoi enregistrer et quoi jeter à jamais. Maintenant, ces décisions, prises en fractions de microseconde, sont de plus en plus confiées à des réseaux de neurones. Et ce n'est pas une question d'accélérer le travail de routine — il s'agit de tenter de trouver ce que les physiciens ne savent même pas comment chercher.

La physique des particules éprouve ce que les spécialistes appellent délicatement une "crise silencieuse". Le Modèle Standard — la théorie fondamentale décrivant les particules et les forces connues — fonctionne sans défaut. Chaque nouvelle expérience au collisionneur confirme ses prédictions avec une précision terrifiante.

Le problème est que ce modèle est délibérément incomplet : il n'explique pas la matière noire, l'énergie noire, ne s'accorde pas avec la gravité. Pendant des décennies, les théoriciens ont proposé des extensions — la supersymétrie, des dimensions supplémentaires, de nouvelles particules. Les expérimentateurs ont construit des installations géantes pour les tester.

Mais malgré des pétaoctets de données collectées, aucune percée ne s'est produite. Comme l'a noté le journaliste Matthew Hutson dans un article pour IEEE Spectrum, "il existe des composantes clés de la réalité que nous manquons complètement".

C'est ici que l'intelligence artificielle entre en jeu — mais pas comme vous pourriez le penser. Ce n'est pas une autre histoire du type "IA pour tout", où la technologie accélère simplement le traitement des données ou automatise le travail de routine. Les chercheurs ne demandent pas aux réseaux de neurones de vérifier les hypothèses existantes.

Ils demandent à l'IA de trouver des anomalies — tout écart par rapport à l'attendu qui pourrait indiquer une "nouvelle physique" au-delà du Modèle Standard. Essentiellement, c'est de l'apprentissage non supervisé à l'état pur : l'algorithme ne sait pas exactement ce qu'il cherche, et c'est là tout l'intérêt. Au lieu de confirmer les théories nées de l'imagination humaine, la machine peut mettre en évidence des motifs dont personne ne soupçonnait l'existence.

La mise en œuvre technique de cette idée est un exploit d'ingénierie distinct. Les réseaux de neurones qui analysent les données du collisionneur ne s'exécutent pas sur de puissants serveurs dans les centres de données. Ils s'exécutent directement sur des réseaux logiques programmables — des puces FPGA connectées aux détecteurs.

Ces puces ont une mémoire limitée et une puissance de calcul restreinte, de sorte que les modèles complexes doivent littéralement être "comprimés" à des tailles qui tiennent dans la logique du matériel. Hutson cite un commentaire révélateur d'un théoricien s'adressant à un ingénieur : "Lequel de mes algorithmes tiendra sur votre foutu FPGA ?" Derrière cette phrase — il existe une véritable tension entre les ambitions de la science et les limitations du matériel.

Ce qui se passe maintenant au CERN s'inscrit dans une tradition séculaire. Chaque outil d'observation fondamentalement nouveau dans l'histoire de la science ne s'est pas contenté de répondre aux questions existantes — il a permis qu'en soient posées de nouvelles. Le télescope de Galilée a découvert les lunes de Jupiter, dont personne ne soupçonnait l'existence.

Les premiers microscopes ont ouvert des mondes entiers de microorganismes invisibles à l'œil nu. Par analogie, l'IA sur les détecteurs du collisionneur n'est pas simplement un filtre plus rapide. C'est une manière fondamentalement nouvelle de regarder les données, libre des préjugés et des attentes de l'expérimentateur.

La machine ne sait pas ce qu'elle "devrait" trouver, et peut donc remarquer ce qu'un humain rejetterait comme du bruit.

L'importance de cette approche s'étend bien au-delà de la physique des particules. Si un réseau de neurones peut détecter des anomalies inconnues dans un flux de millions d'événements par seconde, le même principe s'applique à l'astronomie, la génomique, la climatologie — à tout domaine où le volume de données a longtemps dépassé la capacité analytique humaine. Nous avons l'habitude de penser l'IA comme un outil qui répond à nos questions. Mais c'est bien plus intéressant quand l'IA aide à formuler les questions que nous n'aurions pas pensé à poser.

Bien sûr, cette approche a des limitations. Une anomalie dans les données n'est pas encore une découverte. Un réseau de neurones peut pointer un écart statistique, mais seul un humain peut expliquer sa signification physique. De plus, comprimer les modèles au niveau FPGA entraîne inévitablement une perte de précision — certains signaux subtils seront toujours manqués. Et pourtant, la simple formulation du problème est impressionnante. Si la crise de la physique moderne n'est pas tant un manque de données qu'une limitation de l'imagination humaine, confier certaines fonctions "observationnelles" à une machine semble non pas une capitulation, mais une stratégie rationnelle. Ce n'est pas l'IA qui découvrira la nouvelle physique — mais elle pourrait bien montrer aux gens où regarder.