Dans les expériences de diffusion de particules, la cible est souvent polarisée : on aligne les noyaux de manière à ce que leurs spins pointent majoritairement dans une même direction. Le degré de cet alignement influence le résultat des collisions. Pour le mesurer, on envoie un faible signal radio à travers la cible et on observe comment les noyaux l'absorbent. C'est un peu comme régler un poste de radio : le signal utile se noie dans le bruit et son volume varie selon les interférences.
Traditionnellement, on extrait le signal par détection sensible à la phase — en somme, un amplificateur synchrone qui n'écoute que la fréquence voulue. Mais cela ne protège pas du bruit, de la dérive de la ligne de base ni des erreurs systématiques. Dans cette nouvelle étude, on a pour la première fois utilisé un réseau de neurones qui apprend à séparer le signal du bruit à partir de nombreux exemples. Le réseau a été entraîné sur des simulations réalistes et des données réelles, puis il a pu réduire nettement l'erreur d'ajustement de la courbe.
L'amélioration de la précision a un impact direct sur la qualité de l'expérience : plus l'incertitude sur la polarisation est faible, plus les conclusions sur l'interaction des particules sont fiables. La méthode convient à la fois pour un suivi en ligne en temps réel et pour l'analyse ultérieure des données. C'est un nouvel outil pour la spectroscopie RMN de polarimétrie en physique des hautes énergies.
La RMN continue en mode courant continu est utilisée pour mesurer la polarisation de cibles solides depuis plusieurs décennies, mais le traitement du signal est resté vulnérable au bruit jusqu'à présent.