Dans le détecteur d'un collisionneur, chaque collision de protons laisse une traînée de dizaines de particules, comme les éclaboussures d'une pierre jetée dans l'eau. Démêler ces éclaboussures et comprendre ce qui s'est passé au moment de l'impact est une tâche que l'humain ne peut plus accomplir seul. Les réseaux de neurones viennent à la rescousse, et EveNet est l'un des plus ambitieux : il a été entraîné sur 500 millions de collisions simulées.
EveNet considère chaque événement comme un nuage de particules : pour chacune, on connaît la direction, l'énergie et le type. Cette approche permet au modèle de saisir des motifs généraux plutôt que de mémoriser des désintégrations spécifiques. Résultat : il surpasse les meilleurs algorithmes précédents dans la recherche de résonances lourdes et de désintégrations rares du boson de Higgs, et il est particulièrement performant lorsque les données sont rares.
Mais le plus important, c'est que le modèle transfère ses connaissances des simulations aux données réelles. Il ne se contente pas de trouver des particules : il mesure aussi de subtiles corrélations quantiques entre elles, robustes aux erreurs systématiques. Cela signifie qu'on peut faire confiance à EveNet pour des mesures de précision où chaque centième de pour cent compte.
Un outil aussi polyvalent fait gagner du temps et des ressources de calcul. Au lieu d'entraîner un nouveau modèle pour chaque tâche, les physiciens prennent EveNet et l'affinent sur un petit ensemble de données. Pour les futurs collisionneurs, où le flux de données sera démultiplié, ce n'est pas seulement un confort, c'est une nécessité.
tel que rédigé par les auteurs, en anglais arXiv:2601.17126
While deep learning is transforming data analysis in high-energy physics, computational challenges limit its potential. We address these challenges in the context of collider physics by introducing EveNet, an event-level foundation model pretrained on 500 million simulated collision events using a hybrid objective of self-supervised learning and physics-informed supervision. By leveraging a shared particle-cloud representation, EveNet outperforms state-of-the-art baselines across diverse tasks, including searches for heavy resonances and exotic Higgs decays, and demonstrates exceptional data efficiency in low-statistics regimes. Crucially, we validate the transferability of the model to experimental data by rediscovering the $$\Upsilon$$ meson in CMS Open Data and show its capacity for precision physics through the robust extraction of quantum correlation observables stable against systematic uncertainties. These results indicate that EveNet can successfully encode the fundamental physical structure of particle interactions, which offers a unified and resource-efficient framework to accelerate discovery at current and future colliders.
EveNet a été entraîné sur 500 millions d'événements simulés — c'est à peu près le nombre de collisions qui se produiront en quelques jours de fonctionnement du Grand collisionneur de hadrons à pleine luminosité.
L'idée d'un modèle universel qui comprend la physique des particules fait écho à l'IA du « Problème à trois corps » de Liu Cixin, qui simule le comportement des protons pour tromper les détecteurs terrestres.