Toward a Community Roadmap for High Energy Physics and Artificial Intelligence in China and Beyond

Ce document présente un aperçu informé par la communauté et une feuille de route initiale pour le développement de l'intelligence artificielle en physique des hautes énergies en Chine et à l'échelle mondiale, synthétisant les activités actuelles dans les domaines expérimental, phénoménologique et théorique afin d'orienter les efforts coordonnés futurs.

L'essentiel

Imaginez la physique des hautes énergies (PHE) comme une chasse au trésor massive et à haut risque. Les scientifiques recherchent de minuscules indices rares (de nouvelles particules) cachés au sein d'une montagne de bruit (données de fond) générée par d'énormes machines comme les collisionneurs de particules. Depuis des décennies, ils utilisent des cartes standard et des loupes pour trouver ces indices.

Voici maintenant l'intelligence artificielle (IA). Ce document, rédigé par des chercheurs en Chine et ailleurs, suggère que l'IA n'est pas simplement une nouvelle loupe ; c'est une manière complètement nouvelle d'explorer la carte. Le document agit comme une « feuille de route communautaire », un projet de plan élaboré par des scientifiques pour déterminer comment utiliser au mieux cette nouvelle technologie ensemble, plutôt que de travailler chacun dans l'isolement.

Voici une décomposition simple de ce que dit le document, en utilisant des analogies du quotidien :

1. La vue d'ensemble : un nouveau partenariat

Considérez la physique des hautes énergies et l'IA comme deux équipes sportives différentes qui ont décidé de jouer un match de double mixte.

• La physique apporte les « règles du jeu » (les lois de la nature, la symétrie et les mathématiques).
• L'IA apporte la « super-vitesse et la reconnaissance de motifs » (trouver des connexions que les humains pourraient manquer).

Le document note que, tandis que d'autres domaines comme la médecine ou la biologie attirent beaucoup l'attention pour leur utilisation de l'IA, la physique a été un peu plus discrète. Cependant, un groupe dynamique de scientifiques construit activement ce partenariat. L'objectif de ce document est d'empêcher tout le monde de réinventer la roue et de commencer à construire un « manuel de jeu » partagé.

2. Les trois principales façons dont l'IA aide

Le document divise le travail en trois domaines principaux, comme trois départements différents dans une usine géante :

• L'atelier (Expériences) :

  • Le problème : Les machines géantes (comme celles en Chine ou en Europe) produisent un flot de données — comme un tuyau d'incendie pulvérisant des millions de gouttelettes d'eau chaque seconde. La plupart sont simplement de l'eau (bruit), mais quelques-unes sont des gouttes de couleur spéciale (signaux).
  • La solution IA : L'IA agit comme un filtre intelligent et ultra-rapide. Elle peut trier instantanément l'eau des gouttes spéciales, reconstruire la forme des gouttelettes, et même prédire à quoi la machine de l'usine devrait ressembler pour attraper les meilleures gouttes dès le départ.
  • L'avenir : Le document suggère que pour les projets futurs de la Chine, ils ne devraient pas simplement ajouter l'IA plus tard ; ils devraient concevoir les machines avec l'IA intégrée dès le départ, comme construire une voiture avec un ordinateur de conduite autonome intégré au moteur, et non simplement attaché au toit.

• Les traducteurs (Phénoménologie) :

  • Le problème : C'est l'équipe qui traduit les données brutes de l'atelier en une histoire sur le fonctionnement de l'univers. Ils doivent deviner les règles basées sur les indices.
  • La solution IA : Actuellement, les scientifiques construisent un nouvel outil d'IA personnalisé pour chaque énigme. Le document plaide pour la construction d'un « modèle fondamental » — imaginez-le comme un traducteur universel. Au lieu d'apprendre une nouvelle langue pour chaque pays, vous entraînez une seule IA géante sur toutes les données afin qu'elle puisse comprendre n'importe quelle énigme de physique et s'adapter rapidement aux nouvelles.

• Les théoriciens (Théorie) :

  • Le problème : Ce groupe travaille avec des mathématiques pures et des idées abstraites, traitant souvent d'équations si complexes qu'elles ressemblent à essayer de résoudre un labyrinthe dans le noir.
  • La solution IA : Ici, l'IA ne cherche pas seulement des motifs ; elle agit comme un partenaire de raisonnement. Imaginez un joueur d'échecs capable de calculer des millions de coups à l'avance. L'IA aide les théoriciens à naviguer dans ces labyrinthes mathématiques complexes, suggérant des chemins qu'ils n'auraient peut-être pas vus, tout en respectant strictement les « règles du jeu » (lois de la physique) pour qu'ils ne fassent pas de mouvements illégaux.

3. Les « assistants intelligents » (Outils généraux)

Le document parle également d'un nouveau type d'outil : les agents IA.

• Imaginez une équipe de recherche où chaque scientifique a un assistant personnel. Ces assistants (agents IA) peuvent lire des milliers d'articles, écrire du code, vérifier les données pour détecter les erreurs et exécuter des simulations.
• Le document envisage ces assistants non pas pour remplacer les scientifiques, mais pour gérer la paperasse ennuyeuse et répétitive afin que les scientifiques puissent se concentrer sur les grandes idées créatives. Cependant, le document met en garde contre le fait que ces assistants doivent être très prudents pour ne pas « halluciner » (inventer des choses), car en science, une mauvaise réponse peut mener à une impasse.

4. Les obstacles : ce qui manque

Les auteurs admettent que, bien que l'équipe soit talentueuse, elle ne dispose pas encore du meilleur équipement. Ils identifient trois principaux obstacles :

• La bibliothèque est en désordre : Les données sont dispersées et dans différents formats. C'est comme essayer de cuisiner un repas lorsque les ingrédients sont dans différentes langues et que personne ne sait où se trouvent les épices. Ils ont besoin d'une bibliothèque partagée et organisée.
• Pas assez de puissance : L'entraînement de ces modèles d'IA intelligents nécessite une puissance informatique massive (comme un moteur suralimenté). De nombreux groupes de recherche chinois n'ont pas un accès égal à cette puissance.
• La question écologique : L'exécution de ces super-ordinateurs consomme beaucoup d'électricité. Le document note que la communauté doit réfléchir à la manière de le faire sans nuire à l'environnement (IA verte).

5. Le plan à suivre

Le document conclut que ce n'est que le début.

• L'enquête : Les auteurs ont lancé une enquête (un gigantesque questionnaire) pour demander à tous les membres de la communauté ce dont ils ont besoin. Ils veulent entendre les étudiants, les professeurs et les ingénieurs pour construire une image complète.
• L'objectif : Ils veulent passer d'un « Far West » où chacun travaille seul, à un effort coordonné où ils partagent outils, données et formation.
• La vision : En fin de compte, ils veulent créer une culture où l'IA aide la physique à découvrir de nouvelles vérités, et où la physique aide l'IA à devenir plus intelligente et plus logique.

En bref : Ce document est un appel à l'action pour la communauté physique chinoise et mondiale afin de cesser de travailler en silos, de construire des outils partagés et de traiter l'IA non pas seulement comme une calculatrice, mais comme un partenaire fondamental dans la découverte du fonctionnement de l'univers.

Résumé technique

Résumé technique : Vers une feuille de route communautaire pour la physique des hautes énergies et l'intelligence artificielle en Chine et au-delà

Énoncé du problème
Bien que l'intelligence artificielle (IA) soit devenue une force transformatrice dans des disciplines intensives en données comme la biologie et la science des matériaux, son intégration dans la physique des hautes énergies (HEP) reste fragmentée. Bien que le lien entre l'IA et la HEP remonte à la fin du XXe siècle avec les réseaux de neurones et les arbres de décision boostés, les efforts actuels sont souvent isolés, spécifiques à une tâche et dépourvus d'une perspective cohérente à l'échelle de la communauté. Cela est particulièrement vrai en Chine et dans la région plus large de l'Asie de l'Est, où une croissance rapide de la recherche IA+HEP s'est produite sans feuille de route stratégique unifiée. La communauté fait face à des défis en matière de normalisation des données, d'accès inégal au calcul haute performance et d'absence de voies structurées pour le développement de la main-d'œuvre interdisciplinaire. De plus, la physique fondamentale a reçu moins d'accent dans le récit mondial « IA pour la science » par rapport aux domaines appliqués, malgré le potentiel unique de la HEP à impulser les méthodologies IA de nouvelle génération grâce à ses environnements structurés et riches en symétries.

Méthodologie et approche
Ce document ne présente pas de nouvelles données expérimentales ni de percée algorithmique spécifique. Il emploie plutôt une méthodologie de vue d'ensemble informée par la communauté. Les auteurs synthétisent des insights recueillis lors des discussions du Séminaire 2025 sur l'informatique quantique et l'apprentissage automatique à Qingdao, ainsi que des perspectives issues d'une enquête communautaire plus large et en cours, lancée en novembre 2025. L'article structure son analyse en catégorisant la recherche IA+HEP en quatre domaines se chevauchant :

1. HEP expérimentale : Axée sur la conception des détecteurs, l'acquisition et le traitement des données.
2. Phénoménologie des hautes énergies : Faisant le pont entre données et théorie par la simulation et l'inférence.
3. Théorie des hautes énergies : Appliquant l'IA à des problèmes mathématiques formels et au raisonnement symbolique.
4. Outils d'IA à usage général : Explorant les modèles de langage de grande taille (LLM) et les systèmes basés sur des agents pour les flux de travail scientifiques.

Les auteurs passent en revue les activités actuelles dans ces domaines, identifient les goulots d'étranglement de l'écosystème de recherche (infrastructure, données et talents) et proposent des orientations stratégiques basées sur l'apport collectif de la communauté.

Contributions et résultats clés

• Catégorisation du paysage de la recherche : L'article délimite l'état actuel de l'intégration de l'IA :

  • Expérience : L'IA est profondément intégrée aux flux de travail pour l'identification des particules, la reconstruction de traces et la simulation rapide (par exemple, l'utilisation de modèles basés sur le flux). Les auteurs soulignent une opportunité stratégique pour les installations de nouvelle génération de la Chine (STCF, CEPC) de concevoir conjointement le matériel et les algorithmes d'IA dès le départ, plutôt que de les adapter a posteriori.
  • Phénoménologie : Bien que les modèles spécifiques à une tâche (par exemple, le marquage des jets) soient matures, on observe un glissement vers des modèles de fondation pré-entraînés sur de grands ensembles de données pour permettre l'apprentissage par transfert entre tâches (classification, simulation, détection d'anomalies).
  • Théorie : L'IA va au-delà de la reconnaissance de motifs pilotée par les données pour assister le raisonnement formel. L'apprentissage par renforcement (RL) et les systèmes basés sur des agents sont explorés pour naviguer dans des espaces mathématiques contraints (par exemple, les amplitudes de diffusion, les intégrales de Feynman) et aider à la découverte de théorèmes.
  • Outils généraux : L'émergence de LLM et de systèmes d'agents conscients de la HEP offre un potentiel pour automatiser des flux de travail complexes, de l'examen de la littérature à la génération de code, bien que des défis concernant la fiabilité, les hallucinations et la reproductibilité subsistent.

• Analyse de l'écosystème et besoins en infrastructure :

  • Données : L'article identifie un besoin critique de jeux de données normalisés et prêts pour l'apprentissage automatique ainsi que de cadres de données ouvertes unifiés en Chine, incluant des jeux de données à double échelle (essai et pleine échelle) et des benchmarks curatés.
  • Calcul : Il existe un besoin pressant de plateformes de calcul partagées et de réseaux fédérés pour soutenir les demandes intensives en GPU des modèles de fondation et des flux de travail d'agents.
  • IA verte : Les auteurs soulignent la nécessité croissante de prendre en compte l'impact environnemental et l'efficacité énergétique du calcul IA à grande échelle dans la recherche fondamentale.

• Développement de la main-d'œuvre : L'article met en évidence un fossé dans la traduction des besoins spécifiques à la physique en pratiques modernes d'IA. Il préconise des voies de formation interdisciplinaires structurées, des modèles de double mentorat et des programmes de recherche conjoints formels entre les départements de physique et d'informatique pour construire un vivier de talents durable.

Résultats et statut actuel
L'article rend compte du statut d'une enquête communautaire lancée en novembre 2025. Au moment de la rédaction, l'enquête avait reçu plus de 30 réponses de chercheurs issus de divers sous-domaines et stades de carrière. L'enquête est conçue pour capturer la démographie, l'orientation technique, les contraintes de ressources et les priorités futures. Les auteurs notent que le document actuel représente un « instantané partiel et évolutif » plutôt qu'un recensement complet du domaine.

Signification et affirmations
Les auteurs positionnent ce document comme une feuille de route initiale et un précurseur d'un livre blanc communautaire plus complet. Sa signification réside dans :

1. L'articulation d'une vision partagée : Il fournit la première perspective coordonnée et informée par la communauté sur l'IA+HEP spécifiquement pour le contexte chinois et de l'Asie de l'Est, visant à faire passer le domaine d'efforts exploratoires ascendants vers un développement systématique et coordonné.
2. L'identification de priorités stratégiques : Il énonce les besoins critiques en infrastructure (dépôts de données, réseaux de calcul), en développement de la main-d'œuvre et en intégration de l'IA dans la conception des futures installations expérimentales.
3. Le renforcement de la collaboration : En soulignant la valeur bidirectionnelle entre la HEP et l'IA — où la HEP offre des contraintes rigoureuses pour le développement de l'IA et l'IA offre de nouveaux outils pour la découverte en physique —, l'article vise à renforcer la coopération interdisciplinaire mondiale et locale.

L'article affirme modestement que ces perspectives sont sélectives et évolutives, reflétant les vues recueillies par les auteurs et leurs collaborateurs. Il sert d'étape fondamentale pour éclairer la planification stratégique future et poser les bases d'un consensus communautaire plus large et statistiquement significatif.