Comment un réseau de neurones met au point les averses de particules express

‹›

Dans le détecteur du Grand collisionneur de hadrons, des millions de particules naissent chaque seconde. Leurs éclairs d'énergie dans le calorimètre ressemblent à des gouttes de pluie sur une vitre : on voit les gouttes individuelles, mais quand elles sont nombreuses et se fondent, il devient difficile de distinguer chacune. Or les physiciens ont besoin de savoir exactement combien d'énergie chaque particule a apportée et où elle a atterri.

La nouvelle approche confie ce travail à un réseau de neurones. Au lieu de décomposer chaque éclair un par un, l'algorithme regarde l'ensemble d'un coup — comme un chef d'orchestre qui entend tout l'orchestre, pas les musiciens individuellement. Il apprend sur des simulations informatiques où les bonnes réponses sont connues à l'avance, et trouve progressivement des motifs qui permettent de séparer les signaux même lorsqu'ils se chevauchent presque entièrement.

Les résultats sont encourageants. Dans un modèle simplifié de détecteur, la nouvelle méthode sépare plus précisément les éclairs qui se chevauchent, ne se trompe pas sur les particules isolées et confond moins souvent une particule avec deux. Et lorsqu'on a simulé la désintégration d'un pion neutre en deux photons, l'algorithme standard perdait souvent le signal, tandis que le réseau de neurones conservait une image nette et reconstruisait correctement la masse de la particule d'origine.

Dans un modèle plus réaliste, semblable à un calorimètre électromagnétique, la meilleure performance a été obtenue par une architecture en une étape appelée ClusTEX. Elle mesure non seulement l'énergie avec plus de précision, mais reste fiable même lorsque certains capteurs tombent en panne — comme un pianiste qui continue à jouer même si quelques touches restent enfoncées. Cette robustesse est importante pour le fonctionnement à long terme du détecteur dans des conditions de radiation et d'usure.