Une oreille artificielle pour capter l'énergie des particules express
Mesurer l'énergie d'une particule dans le Grand collisionneur de hadrons, c'est comme essayer d'entendre un murmure dans une foule en délire. Lors de la collision de protons, une avalanche de particules est produite, leurs signaux se fondent en une cacophonie. Les méthodes classiques, comme une oreille saturée de bruit, sous-estiment systématiquement l'énergie.
Des chercheurs ont mis au point un réseau de neurones qui travaille directement dans le détecteur. Il écoute ce vacarme et capte la voix faible de la particule recherchée. Les meilleures versions du réseau se trompent de quelques fractions de pour cent — c'est comme confondre 80 grains de sable sur un million. Le réseau a été entraîné sur des événements simulés, mais il reconnaît sans erreur les données réelles.
Désormais, les physiciens pourront étudier plus précisément les particules insaisissables, comme la matière noire, même dans un bruit intense. Et toute cette perspicacité tient sur une puce plus petite qu'une boîte d'allumettes.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2510.11469
A study of neural network architectures for the reconstruction of the energy deposited in the cells of the ATLAS liquid-argon calorimeters under high pile-up conditions expected at the HL-LHC is presented. These networks are designed to run on the FPGA-based readout hardware of the calorimeters under strict size and latency constraints. Several architectures, including Dense, Recurrent (RNN), and Convolutional (CNN) neural networks, are optimised using a Bayesian procedure that balances energy resolution against network size. The optimised Dense, CNN, and combined Dense+RNN architectures achieve a transverse energy resolution of approximately 80 MeV, outperforming both the optimal filtering (OF) method currently in use and RNNs of similar complexity. A detailed comparison across the full dynamic range shows that Dense, CNN, and Dense+RNN accurately reproduce the energy scale, while OF and RNNs underestimate the energy. Deep Evidential Regression is implemented within the Dense architecture to address the need for reliable per-event energy uncertainties. This approach provides predictive uncertainty estimates with minimal increase in network size. The predicted uncertainty is found to be consistent, on average, with the difference between the true deposited energy and the predicted energy.
Le détecteur ATLAS a la taille d'un immeuble de huit étages, mais le réseau de neurones qui traite ses signaux tient sur une puce plus petite qu'une boîte d'allumettes.