Au CERN, Abhirami Harilal a développé des algorithmes d’apprentissage automatique qui améliorent la détection d’anomalies dans les données du Grand collisionneur de hadrons, tandis que des chercheurs démontrent que l’IA peut redécouvrir de manière autonome les principes fondamentaux de la physique des particules. Ces travaux ouvrent de nouvelles perspectives pour identifier la matière noire, qui constitue environ 27% de l’univers.
Dans les profondeurs du Grand collisionneur de hadrons, où les protons s’entrechoquent à des vitesses proches de celle de la lumière, une nouvelle génération de scientifiques utilise l’intelligence artificielle pour percer les mystères de l’univers. Abhirami Harilal, physicienne formée à l’université Carnegie Mellon, a consacré quatre années de recherche au CERN à développer des systèmes capables de détecter des signatures rares de particules, avec une précision dépassant les méthodes traditionnelles.
Une quête pour l’invisible
La matière visible ne représente qu’environ cinq pour cent de la composition de l’univers. Le reste se compose principalement de matière noire et d’énergie noire, des entités qui influencent la structure cosmique tout en échappant à l’observation directe. Depuis la découverte du boson de Higgs en 2012, la communauté scientifique internationale a intensifié ses efforts pour identifier la nature des particules de matière noire et comprendre leurs propriétés fondamentales.
Les recherches d’Harilal se sont concentrées sur une hypothèse particulière : la désintégration du boson de Higgs en une particule théorique appelée particule A, que certains modèles associent à la matière noire ou à d’autres secteurs cachés de la physique. Pour tester cette possibilité, elle a développé des simulations informatiques reproduisant des milliers de collisions de particules similaires à celles produites au LHC. Leur approche a permis d’augmenter la sensibilité des détecteurs aux signatures inhabituelles qui pourraient trahir la présence de nouvelles particules.
« J’en suis particulièrement fière parce que cela a effectivement été déployé et utilisé pendant l’acquisition de données en temps réel », souligne la chercheuse. Son directeur de thèse, Manfred Paulini, professeur de physique à Carnegie Mellon, la décrit comme « non seulement experte en recherche en physique des particules, mais aussi à la pointe du développement d’algorithmes d’apprentissage automatique ».
L’IA redécouvre les lois fondamentales
Dans une étude parallèle publiée dans le Journal of High Energy Physics, des chercheurs de l’Université de New York à Abu Dhabi ont démontré les capacités d’apprentissage autonome de l’intelligence artificielle. En utilisant des techniques relativement simples alimentées par des données expérimentales datant des années 1950 et 1960, leur système a identifié les principes organisateurs derrière des dizaines de particules, sans aucune connaissance préalable des outils mathématiques employés à l’origine par les physiciens.
Newsletter Enerzine
Recevez les meilleurs articles
Énergie, environnement, innovation, science : l’essentiel directement dans votre boîte mail.
L’algorithme a reproduit plusieurs symétries fondamentales de la physique des particules :
- Le nombre baryonique
- L’isospin
- Le charme
- La « voie octuple » (Eightfold Way), un schéma de classification qui regroupe les particules en familles structurées
Le système a également retrouvé les trajectoires de Regge, des motifs mathématiques qui relient la masse d’une particule à son spin. Cette capacité d’abstraction suggère que l’intelligence artificielle pourrait découvrir de nouvelles lois physiques directement à partir des données expérimentales, ouvrant potentiellement la voie à l’identification de particules ou de motifs que les méthodes traditionnelles auraient pu négliger.
Une transformation méthodologique
Au sein du CERN, les scientifiques du détecteur compact à muons (CMS) travaillent également sur un nouveau détecteur temporel capable d’une précision de 30 picosecondes. L’instrument est conçu pour distinguer les particules rapides des candidats potentiels à la matière noire, qui présenteraient des caractéristiques de mouvement différentes lors des collisions.
La troisième phase d’exploitation du LHC continue de générer des volumes de données considérables, nécessitant des approches analytiques innovantes. L’intégration de l’intelligence artificielle dans le processus de recherche représente une adaptation nécessaire face à la complexité croissante des expériences et à la rareté des événements physiques recherchés.
