Le proton semble être une petite boule compacte, mais à l'intérieur, ça bouillonne : les quarks échangent des gluons, les particules qui les collent. Les gluons apparaissent et disparaissent, et leur distribution dans le proton n'est pas qu'un détail curieux : c'est la clé des prédictions au Grand collisionneur de hadrons. Autrefois, ces distributions (appelées fonctions de partons) étaient extraites des données comme on pêche le poisson : on triait la prise dans des casiers et on comptait ce qu'il y avait dans chacun. Mais ce tri faisait perdre les petits détails.
Aujourd'hui, les physiciens ont tenté autre chose : passer toute la prise en entier dans un réseau de neurones, sans casiers. Le réseau apprend sur des millions d'événements de collisions où naissent des paires de quarks top, les particules connues les plus lourdes. Il observe les données brutes, non découpées, du détecteur et en tire lui-même les régularités. C'est la première fois que cette approche est appliquée à la distribution des gluons, et la précision a nettement augmenté.
Cette méthode ne se contente pas d'améliorer les chiffres. Elle élimine la dépendance à des hypothèses grossières sur la façon dont les erreurs sont corrélées. Quand les données ne sont pas découpées en morceaux, le réseau voit le tableau complet et se trompe moins. Pour le futur collisionneur à haute luminosité, où les données seront bien plus nombreuses, une telle précision deviendra indispensable.
tel que rédigé par les auteurs, en anglais arXiv:2604.13157
The precise determination of the parton distribution functions (PDFs) of the proton is an essential ingredient for LHC analyses, including for those at the upcoming High-Luminosity LHC. So far, PDFs are determined from global fits to binned low-dimensional data obtained from unfolded hard-scattering cross section measurements. In this work we demonstrate for the first time the feasibility of neural simulation-based inference (NSBI) for constraining the proton PDFs using a high-dimensional unbinned data set. Exploiting the full statistical power of unbinned data removes the loss of information inherited by the binning procedure. As a proof-of-concept, we determine the gluon PDF from simulated data of top quark pair production at the LHC with $$\sqrt{s}=13$$ TeV. Taking into account both experimental and theoretical systematic uncertainties in the detector-level features, we demonstrate how the NSBI pipeline achieves significant improvements in precision compared to existing low-dimensional binned analyses. Our results illustrate the potential of unbinned inference to reduce the reliance on coarse approximations of uncertainties and their correlations entering PDF determinations, hence contributing to a new paradigm of unbinned detector-level ML-assisted measurements at the LHC.
Les gluons ont été découverts en 1979 lors d'une expérience à l'accélérateur PETRA à Hambourg : trois jets de particules issus d'une collision électron-positon révélaient la présence d'une troisième particule, invisible.
Dans la série « Star Trek », les quarks et les gluons sont mentionnés comme source d'énergie pour le moteur à distorsion, alors qu'en réalité leur dynamique interne continue de laisser les physiciens perplexes.