Un photographe prend en photo une forêt de nuit et tente de capturer des lucioles. Les flashs sont rares, faibles, et autour, il y a le bruit du vent et des lumières lointaines. C'est à peu près ainsi que fonctionne l'immense détecteur Hyper-Kamiokande au Japon : il capture les neutrinos, des particules presque insaisissables, grâce à de minuscules flashs de lumière dans 260 000 tonnes d'eau. L'ancienne méthode, un simple compteur de coïncidences, ressemble à un photographe qui déclenche à chaque bruissement et rate presque toujours son sujet.
Les auteurs de ces travaux ont appris à un réseau de neurones à regarder ce même bruit autrement. Un premier modèle a été entraîné sur des signaux réels, comme si l'on montrait au photographe des centaines de photos de lucioles. Résultat : il détecte un électron d'énergie 3 MeV (soit à peu près celle d'un photon de rayons X) dans 76,7 % des cas. L'ancien compteur, lui, n'y parvient que dans 26,4 % des cas. Un autre modèle, un autoencodeur, n'a été entraîné que sur du bruit, sans aucun exemple de signal, et a tout de même trouvé 31,8 % des événements. C'est comme reconnaître une mélodie en ne connaissant que le silence.
Les deux réseaux de neurones fonctionnent directement sur la carte graphique, traitant chaque morceau de données en moins d'une milliseconde. C'est plus rapide qu'un clignement d'œil. Cet « obturateur intelligent » ne manquera pas un signal rare, même s'il provient des profondeurs du cosmos ou de l'explosion d'une supernova quelque part dans notre Galaxie.
tel que rédigé par les auteurs, en anglais arXiv:2605.31391
Modern machine learning techniques have become increasingly important in particle physics because of their powerful pattern-recognition capabilities, including in real-time data acquisition where stringent runtime constraints apply. This paper details the performance of deep-learning-based trigger algorithms for a large water Cherenkov detector such as Hyper-Kamiokande aimed at low-energy neutrino events (below 7 MeV). The performance of custom neural-network supervised classifiers is shown alongside two anomaly-detection approaches trained solely on detector noise: a pure autoencoder and an energy-based model based on Manifold Projection--Diffusion Recovery (MPDR). The supervised model shows signal identification efficiencies of 76.7% for single electrons of 3 MeV kinetic energy, significantly exceeding signal efficiencies obtained from a traditional hit-count-based trigger of 26.4%, as does the MPDR approach with 31.8%. Runtime evaluations on GPU yield per-window inference latencies well below the millisecond scale, indicating that real-time operation is feasible.
Hyper-Kamiokande sera cinq fois plus grand que son prédécesseur Super-Kamiokande et pourra détecter les neutrinos de supernovae à des millions d'années-lumière.
Dans le roman « Blanc comme neige » de Peter Watts, les neutrinos sont utilisés comme canal de communication idéal : les particules traversent n'importe quoi, et des détecteurs comme celui-ci pourraient servir de récepteurs pour de tels signaux.