Le SLAC a présenté le 27 octobre des travaux indiquant que SPINE, son programme d’apprentissage automatique, a contribué au premier résultat de physique des neutrinos obtenu avec le détecteur ICARUS, au Fermilab. Selon le laboratoire, l’outil a permis de retrouver environ 60 % d’interactions exploitables de plus que les méthodes classiques lors de cette analyse.
L’article de la collaboration ICARUS, mis en ligne sur arXiv en mars 2026, s’appuie sur des données recueillies en 2022 et 2023. Le détecteur contient 760 tonnes d’argon liquide. L’analyse conclut à « l’absence de disparition statistiquement significative des neutrinos muoniques » à 600 mètres de la cible du faisceau de neutrinos Booster (Booster Neutrino Beam) du Fermilab. Le SLAC indique qu’elle n’a trouvé aucun signe que les neutrinos muoniques disparaissaient à un rythme inattendu, un phénomène qui aurait pu indiquer l’existence d’un quatrième neutrino hypothétique, dit « stérile ». La collaboration souligne toutefois que l’analyse est limitée par de fortes incertitudes sur les modèles de flux et d’interaction.
Un outil hiérarchique pour les chambres à argon liquide
SPINE est l’acronyme de « Scalable Particle Imaging with Neural Embeddings ». L’outil analyse les données de chambres à projection temporelle à argon liquide, qui enregistrent les traces laissées par les particules après qu’un neutrino a heurté un atome d’argon. Ces images sont difficiles à interpréter : une seule peut contenir plusieurs interactions qui se chevauchent, mêlées à des rayons cosmiques et à d’autres signaux parasites.
Les méthodes antérieures faisaient passer les données par une chaîne d’algorithmes spécialisés, de sorte qu’une erreur à une étape pouvait se propager à toute la reconstruction. SPINE s’appuie sur plusieurs modèles d’apprentissage automatique qui travaillent par étapes : les premiers repèrent les caractéristiques de base, les suivants identifient chaque particule, et les derniers assemblent l’interaction complète.
« Nous avons conçu la reconstruction de façon hiérarchique, en extrayant des informations de plus en plus abstraites à partir des données du détecteur », explique François Drielsma, le principal développeur. Selon le SLAC, cette approche rend l’outil plus facile à examiner qu’un modèle d’IA de type « boîte noire », car il montre les particules qu’il a reconstruites au lieu de se contenter de fournir un résultat final.
Des gains revendiqués sur les données réelles
Le SLAC indique que SPINE a permis de retrouver environ 60 % d’interactions de neutrinos exploitables en plus que les méthodes de reconstruction classiques dans cette analyse. Le laboratoire ajoute que l’outil a fourni un échantillon plus propre, une meilleure résolution en énergie et des incertitudes systématiques plus faibles.
Ce résultat est présenté comme important parce qu’il montre que le logiciel ne se limite pas aux simulations et peut fournir des résultats fiables pour le programme Short-Baseline Neutrino puis, plus tard, pour l’expérience Deep Underground Neutrino Experiment (DUNE). « Il y a une grande différence entre faire fonctionner les choses en simulation et les faire fonctionner sur des données au point de pouvoir se fier aux résultats », a déclaré Drielsma.
Prochaines analyses avec SBND et DUNE
La prochaine étape importante sera une analyse conjointe combinant ICARUS et le Short-Baseline Near Detector (SBND), situé à 110 mètres de la cible. Le SLAC attend les résultats de cette analyse à deux détecteurs en 2026 et 2027. Son équipe a déjà entraîné des modèles SPINE pour les détecteurs proche et lointain de DUNE, qui devrait commencer à collecter des données en 2030.
« SPINE est le troisième pilier », a conclu Mark Convery, physicien au SLAC, en plaçant ce logiciel aux côtés des faisceaux intenses et des détecteurs performants.
