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.