Les physiciens des particules construisent généralement un nouveau modèle d'apprentissage automatique pour chaque analyse menée au Grand collisionneur de hadrons, chacun entraîné sur des simulations faites sur mesure et validé à partir de zéro. EVENET, décrit dans un article évalué par des pairs dans Nature Machine Intelligence, tente l'approche qui a réussi aux modèles de langage et de protéines : entraîner une fois un seul grand modèle, puis l'adapter à moindre coût à de nombreuses tâches. Le résultat principal est que cela fonctionne aussi sur de vraies données de détecteur, pas seulement sur des simulations.
Le modèle traite chaque collision comme un nuage non ordonné d'objets reconstruits, comme des jets, des électrons et des muons, et le fait passer par une architecture transformer partagée dotée de têtes de sortie interchangeables pour classer le processus, rattacher les particules aux particules mères dont elles proviennent, les regrouper et reconstruire celles qui manquent, comme les neutrinos. Il a été préentraîné en deux étapes sur environ 500 millions de collisions simulées, retenues parmi quelque 3 milliards générées : d'abord en apprenant à compléter des particules masquées, puis en ajoutant des cibles physiques étiquetées. Cela a demandé de l'ordre de 100 000 heures GPU sur 512 puces Nvidia A100 du supercalculateur Perlmutter. L'ajustement pour une tâche donnée ne demande ensuite que de quelques heures à quelques dizaines d'heures GPU.
Les résultats sont cohérents sur quatre tests. Dans la recherche d'une particule lourde hypothétique, il a amélioré la meilleure sensibilité au signal d'environ 20% par rapport à XGBoost, un outil courant dans le domaine, et d'environ 10% par rapport à TabPFN, un modèle préentraîné pour les données tabulaires. Dans une recherche de désintégrations exotiques du boson de Higgs, avec 5% du jeu d'entraînement de référence, il a dépassé le meilleur score que le modèle spécialisé SPANet a atteint avec 150%. Dans une mesure de l'intrication quantique dans les paires de quarks top, il a atteint une précision de 3,33% contre une référence antérieure de 5,26%. Le test le plus convaincant a utilisé des données ouvertes de 2016 de l'expérience CMS : en cherchant le méson Upsilon, une particule connue, dans une région difficile, il a trouvé le signal avec une significance médiane de 7,6 sigma, au-dessus des 6,4 sigma publiés auparavant. Une version entraînée sans préentraînement est restée à 1,5.
L'enjeu plus large est celui du coût. Une lourde facture de préentraînement payée une fois, puis amortie en réutilisant le modèle dans de nombreuses analyses, est le même marché qui justifie les modèles de langage généralistes, et l'article montre qu'il tient dans un domaine aux exigences de preuve strictes. Retrouver une particule connue relève du contrôle de cohérence, pas de la découverte, mais c'est le bon contrôle pour un modèle entraîné sur des simulations.
Les auteurs sont francs sur ce qui manque. EVENET ne suit pas encore les incertitudes liées au détecteur et à la théorie avec la rigueur qu'exige un résultat de physique, ses têtes de sortie ne sont pas contraintes à s'accorder entre elles, et il n'a pas été soumis à des tests de résistance là où simulation et données réelles divergent fortement. Ses données de préentraînement reposaient en outre sur un détecteur générique simplifié, sans collisions superposées. Le vrai test sera son adoption par les grandes collaborations du LHC, qui exigent précisément ces vérifications.