Le détecteur de particules du Grand collisionneur de hadrons fonctionne pendant des années sans s'arrêter. Ses capteurs produisent des montagnes de données à chaque seconde, et il faut repérer rapidement une défaillance — par exemple, une surchauffe ou un canal cassé. Avant, des règles simples surveillaient cela, mais elles faisaient souvent des erreurs. Désormais, le réseau de neurones DepthViT vient à la rescousse — léger et rapide, comme un technicien attentif qui sait à quoi ressemble un fonctionnement normal.
Le problème, c'est que les conditions dans le détecteur changent avec le temps : les pièces s'usent, le flux de particules varie. Un réseau de neurones entraîné sur d'anciennes données commence à se tromper et à déclencher de fausses alertes. Les auteurs ont trouvé une solution : ils combinent plusieurs modèles entraînés sur différentes périodes. Comme un artisan expérimenté qui se souvient des anciennes et des nouvelles habitudes de la machine, ce système reste précis. Sur les données du calorimètre CMS, la précision de détection des anomalies reste supérieure à 98,8 % même en cas de fortes variations.
Cette approche n'est pas utile seulement en physique. Dans une usine, les machines fonctionnent aussi dans des conditions changeantes : vibrations, température, usure. Un réseau de neurones capable de s'adapter pourrait aider à prédire les pannes avant qu'elles ne surviennent. Un détecteur qui ne se fatigue pas, c'est un pas vers des systèmes intelligents capables de fonctionner pendant des années sans surveillance.
Le réseau de neurones DepthViT traite les cartes d'occupation du calorimètre — c'est comme une carte thermique montrant où les particules ont laissé de l'énergie. Une anomalie apparaît comme une tache inattendue sur cette carte.