Un réseau de neurones entraîné sur des collisions de protons et d'électrons a transféré ses compétences à une expérience totalement différente : la capture de neutrinos. Comme un cuisinier qui aurait appris la cuisine française puis, sans préparation, réussirait un excellent plov ouzbek.
Les chercheurs ont pris le modèle OmniLearned, entraîné sur des données d'accélérateurs de particules où les énergies sont énormes et les détecteurs complexes. Puis ils l'ont testé sur des événements de MINERvA — un détecteur qui capture des neutrinos provenant d'un accélérateur avec une énergie de seulement quelques gigaelectronvolts. Le réseau de neurones devait deviner l'énergie des particules et reconnaître si des pions étaient nés dans la réaction.
Le résultat a surpris : le modèle, qui n'avait jamais vu de données neutrino, a mieux réussi que ses jumeaux entraînés de zéro spécifiquement pour MINERvA. Avec le même volume de calcul et le même nombre d'étapes d'entraînement, le modèle transféré a donné des réponses plus précises. Cela signifie qu'en s'entraînant sur des données variées, le réseau de neurones a assimilé des lois générales de la physique des particules qui fonctionnent aussi à d'autres énergies, avec d'autres détecteurs et d'autres types d'interactions.
Un tel transfert de connaissances promet une révolution dans l'analyse des données : au lieu d'entraîner à chaque fois un nouveau modèle pour chaque expérience, on pourrait utiliser un outil universel. Cela économiserait du temps et des ressources de calcul, et accélérerait les découvertes.
Et voilà que le cuisinier qui maîtrise la cuisine française prépare déjà le plov — et le fait mieux que les cuisiniers locaux. Peut-être que bientôt les physiciens auront un assistant universel qui comprend le langage des particules, peu importe où et comment elles sont nées.
tel que rédigé par les auteurs, en anglais arXiv:2604.12364
Future AI-based studies in particle physics will likely start from a foundation model to accelerate training and enhance sensitivity. As a step towards a general-purpose foundation model for particle physics, we investigate whether the OmniLearned foundation model pre-trained on diverse high-$$Q^2$$ simulated and real $$pp$$ and $$ep$$ collisions can be effectively transferred to a few-GeV fixed-target neutrino experiment. We process MINERvA neutrino--nucleus scattering events and evaluate pre-trained models on two types of tasks: regression of available energy and binary classification of charged-current pion final states ($$\mathrm{CC1\pi^{\pm}}$$, $$\mathrm{CCN\pi^{\pm}}$$, and $$\mathrm{CC1\pi^{0}}$$). Pre-trained OmniLearned models consistently outperform similarly sized models trained from scratch, achieving better overall performance at the same compute budget, as well as achieving better performance at the same number of training steps. These results suggest that particle-level foundation models acquire inductive biases that generalize across large differences in energy scale, detector technology, and underlying physics processes, pointing toward a paradigm of detector-agnostic inference in particle physics.
Les neutrinos sont si insaisissables que chaque seconde, des trillions de ces particules traversent votre corps, mais au cours d'une vie, une ou deux seulement interagiront avec la matière de votre corps.