📄 Version "Simple" affichee, "Avancé" n est pas encore prete. Ajoutez-le aux favoris pour aider a la prioriser. Demander l’analyse complète

Dans le détecteur du Grand collisionneur de hadrons, après chaque collision de protons, il reste des milliers de points — les traces des particules qui s'éloignent. Un réseau de neurones a appris à voir des motifs dans cette configuration et à prédire ce qui s'est passé au moment de l'impact. Maintenant, le même réseau a été entraîné à regarder les molécules : au lieu des traces de particules, on a les positions des atomes, et au lieu de la collision, on a la façon dont ces atomes vont se déplacer et interagir.

Le secret réside dans le fait que le modèle intègre une règle : les atomes proches les uns des autres ont plus d'influence que les atomes éloignés. C'est comme si les voisins de palier se remarquaient plus souvent que les habitants de quartiers différents. Grâce à cela, le réseau ne se contente pas de mémoriser des images, il ressent la physique des interactions. Les tests ont montré que même après un léger ajustement, le modèle prédit très bien le comportement des molécules, et il calcule nettement plus vite que les modèles équivalents.

Ce transfert de connaissances de la physique des hautes énergies vers la chimie est rare. Mais s'il fonctionne, nous disposons d'un outil universel : la même architecture comprend à la fois les particules subatomiques et les molécules médicamenteuses. Cela signifie que la recherche de nouveaux matériaux et de nouveaux médicaments pourrait être accélérée considérablement.

Résumé original

tel que rédigé par les auteurs, en anglais arXiv:2601.10791

We present OmniMol, a state-of-the-art all-to-all transformer-based small molecule machine-learned interatomic potential (MLIP). OmniMol is built by adapting Omnilearned, a foundation model for particle jets found in high-energy physics (HEP) experiments such as at the Large Hadron Collider (LHC). Omnilearned is built with a Point-Edge-Transformer (PET) and pre-trained using a diverse set of one billion particle jets. It includes an interaction-matrix attention bias that injects pairwise sub-nuclear (HEP) or atomic (molecular-dynamics) physics directly into the transformer's attention logits, steering the network toward physically meaningful neighborhoods without sacrificing expressivity. We demonstrate OmniMol using the oMol dataset and find excellent performance even with relatively few examples for fine-tuning. Further, due to architectural transfer from Omnilearned, we demonstrate uniquely fast inference. This study lays the foundation for building interdisciplinary connections given datasets represented as collections of point clouds.