Lorsque deux particules entrent en collision puis se séparent, les physiciens consignent le résultat sous la forme d'une formule mathématique complexe. Ces formules sont nombreuses, et des liens invisibles les unissent — comme entre différentes recettes d'un même plat : on change l'ordre des étapes, mais le goût reste le même. Autrefois, ces liens étaient dérivés à la main, ce qui prenait des mois, voire des années.
Désormais, un programme s'en charge, en cherchant des régularités dans les nombres. On ne lui a fourni que les résultats de calculs de collisions, sans aucune explication. Le programme a redécouvert de lui-même les célèbres relations qui relient différentes descriptions d'une même collision. L'une d'elles est le lien entre la théorie de la gravitation et la théorie des interactions fortes à l'intérieur du noyau.
La méthode fonctionne pour cinq particules en collision. Pour un plus grand nombre de particules, des difficultés techniques subsistent, mais les auteurs voient déjà comment les surmonter. La conclusion principale est simple : la machine peut chercher des règles cachées en physique sans indications humaines. Cela signifie qu'on peut ainsi tester aussi de nouvelles théories, encore inexplorées.
tel que rédigé par les auteurs, en anglais arXiv:2602.15169
We demonstrate that modern machine-learning methods can autonomously reconstruct several flagship analytic structures in scattering amplitudes directly from numerical on-shell data. In particular, we show that the Kawai--Lewellen--Tye (KLT) relations can be rediscovered using symbolic regression applied to colour-ordered Yang--Mills amplitudes with Mandelstam invariants as input features. Using standard feature-selection techniques, specifically column-pivoted QR factorisation, we simultaneously recover the Kleiss--Kuijf and Bern--Carrasco--Johansson (BCJ) relations, identifying a minimal basis of partial amplitudes without any group-theoretic input. We obtain the tree-level KLT relations with high numerical accuracy up to five external legs, using only minimal theoretical priors, and we comment on the obstacles to generalising the method to higher multiplicity. Our results establish symbolic regression as a practical tool for exploring the analytic structure of the scattering-amplitude landscape, and suggests a general data-driven strategy for uncovering hidden relations in general theories. For comparison, we benchmark this general approach with a recently introduced neural-network based method.
L'une des relations trouvées relie la force de gravité à la force qui maintient les quarks à l'intérieur du proton — deux mondes apparemment complètement différents.
Dans la série « Fondation », Hari Seldon utilisait les mathématiques pour prédire l'avenir — ici, la machine cherche des règles mathématiques cachées dans les données du passé.