La croissance d'un cristal de germanium ultra-pur évoque la cuisson d'un soufflé capricieux : un léger excès de chaleur ou un grain d'impureté en trop, et tout le lingot ne vaut plus que pour être refondu. Ces cristaux sont le cœur de détecteurs qui traquent des événements rarissimes, de la matière noire à la double désintégration bêta. Mais seules quelques entreprises dans le monde savent les faire pousser avec un bon rendement, et les secrets de métier se transmettent depuis des décennies.

Désormais, un réseau de neurones vient à la rescousse. Il a été entraîné sur des enregistrements de 48 croissances réelles : chaque minute, on relevait la puissance du chauffage, la vitesse de tirage du lingot et des indicateurs indirects de contamination. Le modèle, doté d'une architecture BiLSTM et d'une « attention multi-têtes », a appris à prédire à partir de ces signaux quelle fraction du cristal serait utilisable pour les détecteurs. La précision s'est révélée suffisante pour repérer un problème bien avant la fin du processus.

L'analyse de l'importance des caractéristiques (SHAP) a montré que la concentration d'impuretés et la vitesse de tirage sont les deux facteurs principaux qui déterminent le rendement. Ce n'est pas une surprise pour les spécialistes, mais auparavant, ces conclusions reposaient sur l'intuition ; elles s'appuient maintenant sur des statistiques mesurables. L'utilité pratique est évidente : on peut modifier le régime de croissance à l'avance et sauver un lingot coûteux.

Si la méthode s'impose, la production de germanium ultra-pur cessera d'être un art réservé à quelques privilégiés. Les détecteurs destinés à la recherche de particules de matière noire et d'autres événements rares deviendront plus accessibles, et les expériences iront plus vite. C'est un cas où l'apprentissage automatique ne remplace pas le physicien-technologue, mais lui met entre les mains un outil précis au lieu de tâtonnements.