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.