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

Chaque seconde, 40 millions de collisions de particules se produisent dans l'anneau de 27 kilomètres du Grand collisionneur de hadrons. L'immense majorité de ces événements ne sera jamais enregistrée. Depuis des décennies, les ingénieurs construisent des filtres qui décident de ce qu'il faut garder et de ce qu'il faut écarter pour toujours. Ces décisions, prises en une fraction de microseconde, sont désormais de plus en plus souvent confiées à des réseaux de neurones. Il ne s'agit pas d'accélérer des tâches de routine, mais de tenter de trouver ce que les physiciens ne savent même pas comment chercher.

La physique des particules traverse ce que les spécialistes appellent avec pudeur une « crise silencieuse ». Le modèle standard, la théorie fondamentale qui décrit les particules et les forces connues, fonctionne sans faille. Chaque nouvelle expérience au collisionneur confirme ses prédictions avec une précision troublante.

Le problème, c'est que ce modèle est notoirement incomplet : il n'explique ni la matière noire ni l'énergie noire, et il ne s'accorde pas avec la gravité. Les théoriciens proposent depuis des décennies des extensions : supersymétrie, dimensions supplémentaires, nouvelles particules. Les expérimentateurs ont bâti des installations gigantesques pour les tester.

Mais malgré des pétaoctets de données collectées, aucune percée n'a eu lieu. Comme l'a relevé le journaliste Matthew Hutson dans IEEE Spectrum, « il existe des composantes essentielles de la réalité qui nous échappent totalement ».

C'est ici que l'intelligence artificielle entre dans l'équation, mais pas comme on pourrait le croire. Ce n'est pas une énième histoire d'« IA pour tout », où la technologie se contente d'accélérer le traitement des données ou d'automatiser des tâches routinières. Les chercheurs ne demandent pas aux réseaux de neurones de vérifier des hypothèses existantes.

Ils leur demandent de trouver des anomalies : tout écart par rapport à l'attendu pouvant indiquer une « nouvelle physique » au-delà du modèle standard. C'est, en substance, de l'apprentissage non supervisé à l'état pur : l'algorithme ne sait pas ce qu'il cherche, et c'est tout l'intérêt. Au lieu de confirmer des théories nées de l'imagination humaine, la machine peut faire ressortir des motifs dont personne ne soupçonnait l'existence.

La mise en œuvre technique est un exploit d'ingénierie à part entière. Les réseaux de neurones qui analysent les données du collisionneur ne tournent pas sur de puissants serveurs d'un centre de données. Ils s'exécutent directement sur des circuits logiques programmables (puces FPGA) reliés aux détecteurs. Ces puces disposent d'une mémoire et d'une puissance de calcul limitées, si bien que les modèles complexes doivent être littéralement « compressés » pour tenir dans la logique matérielle. Hutson rapporte une citation éloquente d'un théoricien s'adressant à un ingénieur : « Lequel de mes algorithmes tiendra sur votre fichu FPGA ? » Derrière cette phrase se cache une tension bien réelle entre les ambitions de la science et les limites du matériel.

Ce qui se passe aujourd'hui au CERN s'inscrit dans une tradition séculaire. Chaque instrument d'observation vraiment nouveau dans l'histoire des sciences n'a pas seulement répondu à des questions existantes : il a permis d'en poser de nouvelles. La lunette de Galilée a révélé les satellites de Jupiter, dont personne ne soupçonnait l'existence.

Les premiers microscopes ont ouvert des mondes entiers de micro-organismes invisibles à l'œil nu. Par analogie, l'IA sur les détecteurs du collisionneur n'est pas seulement un filtre plus rapide. C'est une façon radicalement 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 écarterait comme du bruit.

La portée de cette approche dépasse largement 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, à la génomique, à la climatologie, à tout domaine où le volume de données a depuis longtemps dépassé les capacités d'analyse humaines. Nous avons l'habitude de voir l'IA comme un outil qui répond à nos questions. Il est bien plus intéressant qu'elle nous aide à formuler des questions que nous n'aurions pas songé à poser.

Bien sûr, l'approche a ses limites. Une anomalie dans les données n'est pas encore une découverte. Un réseau de neurones peut signaler un écart statistique, mais seul un humain peut en expliquer le sens physique.

De plus, compresser les modèles pour les faire tenir sur FPGA entraîne inévitablement une perte de précision : certains signaux subtils seront de toute façon manqués. Reste que la façon même de poser le problème impressionne. Si la crise de la physique moderne tient moins à un manque de données qu'aux limites de l'imagination humaine, confier une partie des fonctions d'« observation » à une machine ressemble moins à une capitulation qu'à une stratégie raisonnable.

Ce n'est pas l'IA qui découvrira la nouvelle physique, mais elle peut très bien montrer aux humains où regarder.