Mieux comprendre les collisions de particules au LHC grâce à l’apprentissage automatique

La collaboration CMS a montré pour la première fois que l'apprentissage automatique peut être utilisé pour reconstruire entièrement les collisions de particules au LHC. Grâce à cette nouvelle approche, il est possible de reconstruire les collisions plus rapidement et plus précisément qu'avec les méthodes traditionnelles, ce qui permet de mieux comprendre les données du LHC.

Chaque collision proton-proton au LHC produit une gerbe complexe de particules qui doit être reconstruite soigneusement pour pouvoir être étudiée en détail. Pendant plus d'une décennie, CMS a utilisé un algorithme de flux de particules combinant des informations issues des différents détecteurs de l'expérience afin d'identifier chacune des particules produites lors de la collision. Cette méthode fonctionne remarquablement bien, mais elle s'appuie sur une longue liste d'instructions formulées de façon manuelle par les physiciens.

Le nouvel algorithme de flux de particules fondé sur l'apprentissage automatique fonctionne de manière tout autre : il remplace une bonne partie de ces instructions, quelque peu rigides, par un modèle unique entraîné directement à partir de simulations de collision. La différence, c'est qu'on n'indique pas à l'algorithme comment reconstruire les particules : celui-ci apprend à quoi ressemblent les particules dans les détecteurs de la même manière que les êtres humains apprennent à reconnaître les visages sans mémoriser de règles explicites.

Quand on fait une comparaison en utilisant des données qui imitent celles de la période d'exploitation actuelle du LHC, le nouvel algorithme d'apprentissage automatique obtient une performance semblable à celle de l'algorithme traditionnel, voire, dans certains cas, supérieure. Par exemple, lors d'un test sur des simulations d'événements dans lesquels des quarks top étaient créés, l'algorithme a permis d'améliorer de 10 à 20 % la précision avec laquelle les gerbes (appelées « jets ») de particules étaient reconstruites pour les principaux intervalles d'impulsion des particules.

Le nouvel algorithme permet également de reconstruire entièrement les collisions de façon beaucoup plus rapide, parce qu'il peut tourner efficacement sur des puces électroniques modernes appelées processeurs graphiques (GPU). Les algorithmes traditionnels doivent généralement tourner sur des processeurs centraux (CPU), qui sont souvent plus lents que les processeurs graphiques pour ces tâches.

« De nouvelles utilisations de l'apprentissage automatique pourraient rendre la reconstruction de données encore plus précise, et être directement utiles aux mesures de CMS, aussi bien pour les tests de précision du Modèle standard que pour la recherche de nouvelles particules, explique Joosep Pata, développeur principal du nouvel algorithme. Après tout, notre but est d'extraire le plus d'informations possibles des données d'expérience, de la manière la plus efficace possible. »

Le nouvel algorithme a été testé avec des données correspondant au LHC actuel ; il devrait être encore plus utile avec le LHC à haute luminosité. Prévue pour démarrer en 2030, cette version améliorée du LHC livrera environ cinq fois plus de collisions de particules : un véritable défi pour les expériences LHC. Disposer de détecteurs capables d'apprendre directement à partir des données n'entraîne pas seulement une amélioration de la performance, cela ouvre de nouvelles perspectives en physique des particules expérimentale.

Pour en savoir plus sur cet algorithme, consultez le site web CMS (en anglais), et sur l'apprentissage automatique appliqué à la physique des particules, consultez ce colloque du CERN (en anglais).