Reconstructing short-lived particles using hypergraph representation learning

À l'intérieur du Grand Collisionneur de Hadrons, un anneau massif d'aimants enfoui sous la frontière franco-suisse, des scientifiques font entrer en collision des protons à une vitesse proche de celle de la lumière. Ces collisions recréent l'énergie ardente des premiers instants de l'univers, engendrant une cascade de nouvelles particules. La plupart de ces particules sont lourdes et incroyablement éphémères, se désintégrant presque instantanément en un jet de débris plus stables. Pour comprendre les lois fondamentales de la nature, les physiciens doivent reconstruire les particules originales et fugaces à partir de ces débris, un peu comme un expert en criminalistique tentant de déduire la forme d'un vase brisé en examinant les éclats dispersés. Le défi réside dans le nombre considérable de pièces ; lorsque des particules lourdes se désintègrent, elles produisent souvent jusqu'à 20 « jets » — des flux étroits de particules qui s'échappent dans des directions spécifiques. Déterminer quels jets proviennent de quelle particule parente est un puzzle d'une complexité vertigineuse, surtout lorsque les débris incluent des particules invisibles qui ne laissent aucune trace dans le détecteur.

Une équipe de chercheurs de l'Université de Manchester a développé une nouvelle façon de résoudre ce puzzle, une méthode qui traite les données de collision non pas comme une simple liste de particules, mais comme un réseau complexe de relations. Ils appellent leur méthode HyPER. Au lieu d'examiner les particules de manière isolée ou simplement par paires, HyPER utilise une structure mathématique appelée hypergraphe pour comprendre comment des groupes de particules sont connectés tous à la fois. Dans une approche standard, un ordinateur pourrait tenter de lier la particule A à la particule B, puis la particule B à la particule C, en construisant une chaîne étape par étape. HyPER, cependant, peut examiner un groupe entier de particules simultanément et demander : « Ces trois particules spécifiques forment-elles ensemble une seule particule parente ? » Ce changement de perspective permet au système de percevoir des motifs que les méthodes plus simples manquent, particulièrement dans les événements où le nombre de particules est très élevé.

Les chercheurs ont testé ce nouveau système sur un type spécifique de collision où une paire de quarks top — les particules élémentaires les plus lourdes connues — se désintègre entièrement en jets. Dans ce scénario, les deux quarks top se brisent en six quarks, qui se transforment ensuite en six jets, plus les jets supplémentaires créés par la collision violente elle-même. L'objectif est d'identifier correctement quels trois jets appartiennent à un quark top et quels trois jets appartiennent à l'autre. L'équipe a entraîné son modèle HyPER sur des millions de collisions simulées, lui apprenant à reconnaître les regroupements corrects. Ils l'ont ensuite opposé à deux des méthodes existantes les plus avancées utilisées par les physiciens aujourd'hui. Les résultats ont montré que HyPER était capable de reconstruire correctement les particules parentes dans 67 pour cent des événements, surpassant les autres méthodes qui réussissaient dans environ 65 pour cent et 64,5 pour cent des cas.

Ce qui rend cette réussite particulièrement significative, ce n'est pas seulement l'augmentation légère de la précision, mais l'efficacité avec laquelle elle a été obtenue. Le modèle HyPER est remarquablement petit, contenant environ 3 450 paramètres entraînables. En revanche, les modèles concurrents nécessitent des millions de paramètres pour fonctionner. Pour mettre cela en perspective, le nouveau modèle contient un facteur de 20 fois moins de paramètres qu'un des outils existants, tout en délivrant de meilleurs résultats. Cette efficacité est importante car elle signifie que le modèle est moins susceptible de faire du « surapprentissage » (overfitting), c'est-à-dire de mémoriser les données d'entraînement plutôt que d'apprendre la physique sous-jacente, et qu'il nécessite beaucoup moins de puissance de calcul pour fonctionner. Les chercheurs ont constaté que même en réduisant la quantité de données d'entraînement disponibles, HyPER restait l'outil le plus précis, ce qui suggère qu'il est assez robuste pour gérer les ensembles de données limités souvent rencontrés dans les recherches de physique rares.

Le succès de HyPER ouvre la voie à l'étude d'événements encore plus complexes et rares en physique des particules. Comme le système est conçu pour gérer des groupes de particules de n'importe quelle taille, il pourrait éventuellement être utilisé pour reconstruire des particules qui se désintègrent en quatre, cinq ou plus de jets. Bien que l'étude actuelle se soit concentrée sur les désintégrations hadroniques totales où les neutrinos sont absents, les chercheurs notent que les travaux futurs visent à étendre la méthode pour inclure la reconstruction de la cinématique des neutrinos en état final. Les chercheurs ont démontré que leur approche fonctionne bien pour le cas spécifique des paires de quarks top, mais la méthode sous-jacente est suffisamment flexible pour être appliquée à une grande variété de processus physiques. En fournissant une manière plus puissante et plus efficace de visualiser les relations entre les particules, HyPER offre un nouvel outil pour scruter la structure fondamentale de l'univers, aidant les scientifiques à distinguer le signal de la nouvelle physique du bruit de fond du monde connu.