An AI-ready, Polarized Electron-Positron Collision Dataset

Ce document présente une version modernisée et prête pour l'IA d'environ 660 000 événements reconstruits de collisions électron-positon du SLD ainsi qu'une documentation interne nouvellement numérisée, convertie de formats hérités afin de faciliter la recherche tant en physique des particules qu'en apprentissage automatique.

L'essentiel

Imaginez une bibliothèque massive et de haute technologie des années 1990 qui détient les plans et les registres d'une expérience très spéciale. Cette expérience, appelée SLD, était comme une « usine à Z », faisant s'entrechoquer des électrons et des positrons pour créer une particule appelée le boson Z. Ce qui rendait cette usine unique, c'est que les faisceaux d'électrons étaient « polarisés » — imaginez des toupies qui tournent toutes dans la même direction. Cela permettait aux scientifiques de mesurer des choses avec une précision incroyable que d'autres collisionneurs ne pouvaient pas atteindre.

Cependant, pendant des décennies, les données de cette usine ont été enfermées dans un coffre-fort numérique. Les fichiers étaient écrits dans une langue ancienne et obscure (un mélange de vieux code Fortran et de formats binaires) que les ordinateurs modernes ne pouvaient pas lire, et les « clés » pour les ouvrir (le logiciel original et la documentation) avaient été perdues ou dispersées.

Ce document raconte comment une équipe de scientifiques a utilisé l'Intelligence Artificielle (IA) moderne pour forcer l'entrée de ce coffre-fort, traduire la langue ancienne et ouvrir les portes pour tout le monde.

Voici une décomposition de ce qu'ils ont fait, en utilisant des analogies simples :

1. La capsule temporelle des données

L'équipe a publié environ 660 000 événements reconstitués (instantanés de collisions de particules) de 1996 à 1998.

• Le Problème : Ces fichiers étaient comme une cassette audio dans une langue que plus personne ne parle. Le logiciel original pour les lire avait disparu, et la documentation n'était plus qu'un amas de papiers dans des archives.
• La Solution de l'IA : Ils ont utilisé des agents d'IA (spécifiquement, un outil appelé « Claude ») pour agir comme des archéologues numériques. L'IA a examiné les données binaires brutes (les 0 et les 1) et les a comparées aux lois connues de la physique (comme un détective vérifiant l'alibi d'un suspect par rapport à la scène du crime).
  • Analogie : Imaginez trouver une boîte verrouillée sans clé. Au lieu de la casser, vous examinez les rayures sur la boîte, vous devinez ce qu'il y a dedans en fonction du poids, puis vous utilisez un assistant intelligent pour comprendre le code du verrou à combinaison. L'IA les a aidés à rétro-concevoir le code pour lire les données.
• Le Résultat : Ils ont construit un nouvel outil open-source appelé jazelle qui traduit ces anciens fichiers en formats modernes et faciles à utiliser (comme le format Parquet) que n'importe quel scientifique des données peut désormais utiliser.

2. La « bibliothèque perdue » de la documentation

En plus des données, ils ont numérisé environ 1 190 documents internes.

• Le Problème : Il s'agissait de papiers physiques, dont beaucoup étaient des photocopies de photocopies, avec des notes manuscrites, des diagrammes désordonnés et du texte dactylographié mélangés. Les scanners standards échouent souvent face à ce type de papier « désordonné ».
• La Solution de l'IA : Ils ont testé quatre outils d'IA différents pour lire ces documents.
  • Analogie : C'est comme essayer de lire une fiche de recette manuscrite tachée de café et couverte de gribouillis. Certains outils d'IA ont essayé de transformer l'écriture manuscrite en texte mais ont été confus par les lignes de la grille sur le papier. D'autres étaient excellents pour lire les tableaux mais échouaient sur les équations mathématiques.
  • Ils ont découvert qu'en combinant les meilleurs outils, ils pouvaient transformer ces pages désordonnées en texte consultable. Ils ont même construit un « Bibliothécaire IA » (un système de questions-réponses) capable de lire ces documents et de répondre à des questions spécifiques, telles que : « Quelle était la vitesse d'horloge du microprocesseur utilisé en 1995 ? »

3. Prouver que cela fonctionne (Le « test de conduite »)

Avant de remettre les clés, l'équipe devait prouver que les données étaient exactes. Ils n'ont pas simplement deviné ; ils ont effectué un « test de conduite ».

• Le Test : Ils ont pris les données fraîchement traduites et ont exécuté exactement les mêmes calculs physiques que les scientifiques originaux il y a 20 ans.
• Le Résultat : Les chiffres correspondaient. Ils ont réussi à recréer les mesures célèbres de l'« angle de mélange faible » (une propriété fondamentale de l'univers) en utilisant les nouvelles données. Cela a prouvé que la traduction par l'IA n'avait rien cassé ; elle a simplement rendu les données lisibles à nouveau.

4. Pourquoi cela importe pour la recherche en IA

Le document souligne que cet ensemble de données est un terrain d'entraînement unique pour l'Intelligence Artificielle moderne.

• L'Écart : La plupart des modèles d'IA en physique sont entraînés sur des collisions proton-proton (comme au Grand Collisionneur de Hadrons), qui sont désordonnées et chaotiques.
• La Différence SLD : Les données de la SLD sont « propres » et les conditions initiales sont parfaitement connues.
• Le « Nouveau Territoire » : Les chercheurs ont testé un modèle d'IA moderne (appelé OmniLearned) sur ces données. Ils ont constaté que les données de la SLD occupent un « quartier » complètement différent dans le cerveau de l'IA (espace latent) par rapport aux autres ensembles de données.
  • Analogie : Si vous entraînez un chien à rapporter une balle dans un parc, il pourrait être confus si on lui demande soudainement de rapporter une balle dans une piscine. Cet ensemble de données est la « piscine » que les modèles d'IA actuels n'ont jamais vue. En le publiant, l'équipe offre aux chercheurs en IA un nouvel environnement unique pour apprendre, ce qui pourrait aider à construire des modèles meilleurs et plus polyvalents.

Résumé

En résumé, ce document traite de la résurrection d'un trésor scientifique perdu. L'équipe a utilisé l'IA pour traduire des données anciennes et illisibles ainsi que des notes papier désordonnées en un format moderne et utilisable. Ils ont prouvé que la traduction est exacte en relançant de vieilles expériences de physique, et ils ont montré que ces données uniques offrent un terrain de jeu frais et propre pour entraîner la prochaine génération de modèles d'IA en physique des particules.

Résumé technique

Résumé Technique : Un ensemble de données de collisions électron-positron polarisées, prêt pour l'IA

Énoncé du problème
Malgré l'impact physique durable de l'expérience SLD au SLAC Linear Collider (SLC), ses données reconstruites de la période d'exploitation 1996–1998 (environ 660 000 événements) sont restées inaccessibles aux outils d'analyse modernes. Les données existaient sous des formats binaires hérités « Jazelle », décodés par un logiciel écrit en Mortran (une extension de Fortran) qui n'est plus opérationnel sur les systèmes actuels. De plus, l'écosystème propriétaire et mal documenté signifiait que des structures de données critiques, telles que la banque de polarisation du faisceau d'électrons par événement (PHBM), étaient effectivement perdues. Cette inaccessibilité représente un goulot d'étranglement pour l'apprentissage automatique (ML) en physique des particules, qui repose actuellement fortement sur les données de collisions proton-proton (LHC) et manque de jeux de données diversifiés et de haute qualité provenant du régime $e^+e^-$, particulièrement ceux présentant une polarisation de l'état initial connue. De plus, la connaissance institutionnelle requise pour interpréter ces jeux de données hérités réside dans des notes internes physiques qui n'ont jamais été numérisées.

Méthodologie
Les auteurs ont exécuté un effort de modernisation à deux volets impliquant la reconstruction de données et la numérisation de la documentation :

1. Reconstruction et traduction des données :

   • Rétro-ingénierie : L'équipe a procédé à la rétro-ingénierie du format binaire Jazelle en utilisant l'assistance de l'IA (spécifiquement Claude d'Anthropic). Ils ont combiné une documentation héritée partielle avec une « vérité terrain basée sur la physique » (par exemple, les contraintes cinématiques des désintégrations $Z \to q\bar{q}$) pour identifier les positions de champs candidates et les types de données au sein des banques binaires.
   • L'outil jazelle : Un package Python open-source a été développé pour lire les binaires hérités et émettre des tableaux d'enregistrements Awkward. Ceux-ci sont sérialisés dans des formats colonnaires modernes (Parquet, HDF5, Feather).
   • Portée : La publication couvre les séries de données 1996–1998. Elle inclut les en-têtes d'événements, les informations sur le faisceau (y compris la polarisation), les traces chargées, les clusters de calorimètres, les sous-systèmes d'identification des particules et les tables relationnelles. Elle applique des exigences de qualité de données standards mais aucune sélection de canal spécifique.

2. Numérisation de la documentation et préparation à l'IA :

   • Corpus : Environ 1 190 notes internes SLD/SLC (principalement de 1980–1988) ont été scannées à partir d'archives physiques.
   • Pipeline d'extraction : Quatre outils ont été évalués pour l'extraction de texte : Marker, Docling, Nougat (modèles à poids ouverts) et l'API Azure AI Document Intelligence. Le pipeline gère des entrées hétérogènes, incluant des notes dactylographiées, des photocopies, des figures dessinées à la main et des tableaux complexes.
   • Flux de travail agentique : Le texte extrait a été indexé par recherche hybride (embeddings denses + recherche par mots-clés). Un système de questions-réponses agentique a été construit pour démontrer l'utilité du corpus, utilisant un serveur de protocole de contexte de modèle (MCP) pour la récupération et le raisonnement itératifs.

Résultats clés

• Validation physique : Les auteurs ont reproduit des mesures canoniques de SLD sur le jeu de données traduit pour valider la cohérence interne :
  • Distributions cinématiques : Les spectres de masse visible reconstruits et les variables de forme d'événement ($\tau$) correspondent à la physique attendue du pôle $Z$ (par exemple, la topologie de deux jets dos à dos).
  • Mesures d'asymétrie : L'asymétrie de section efficace gauche-droite ($A_{LR}$) et les asymétries de couplage leptonique ($A_\ell$) ont été extraites par comptage d'événements. L'angle de mélange faible effectif dérivé ($\sin^2 \theta_{eff}^W = 0,23144 \pm 0,00044$ à partir de $A_{LR}$) s'aligne sur les valeurs publiées, confirmant que le jeu de données préserve le contenu sensible à la polarisation.
  • Limitations : Les auteurs notent que les valeurs brutes de $A_{LR}$ diffèrent légèrement des résultats publiés car le jeu de données publié ne possède pas le logiciel de correction électrofaible spécifique (ZFITTER) utilisé dans l'analyse originale. De même, les comptages de canaux leptoniques présentent de légères divergences dues à l'indisponibilité du logiciel de sélection original.
• Démonstration de ML : En utilisant le modèle de fondation OmniLearned, les auteurs ont intégré des jets SLD aux côtés de jets d'ALEPH ($e^+e^-$), H1 ($ep$) et JetClass ($pp$). La projection t-SNE a révélé que les données SLD occupent une région distincte dans l'espace latent, séparée par l'état initial et l'échelle d'énergie. Crucialement, en tant que seules données de détecteur reconstruites de la comparaison, elles représentent un régime (électron-positron polarisé au pôle $Z$) non capturé par les simulations MC publiques actuelles.
• Performance de la documentation : Un système de QA agentique a atteint une complétion de tâche proche de la saturation (60/61 questions) sur un benchmark auto-généré en reformulant itérativement les requêtes. Cela a démontré que le corpus numérisé supporte une exploration scientifique complexe à plusieurs étapes, surpassant les bases RAG à passage unique.

Signification et revendications
L'article affirme que cette publication sert trois objectifs principaux :

1. Préservation : Elle sauve un jeu de données unique provenant du seul collisionneur linéaire $e^+e^-$ à haute énergie avec des faisceaux polarisés, une configuration non reproduite dans les collisionneurs futurs.
2. Référence de ML (Benchmarking) : Elle fournit un environnement propre et bien compris avec des états initiaux et une polarisation connus pour compléter les jeux de données dominants des collisionneurs de hadrons dans la recherche en ML. L'espace latent distinct des données SLD offre un nouveau banc d'essai pour le transfert d'apprentissage et les tests de décalage de domaine.
3. Potentiel de nouvelle physique : Le jeu de données permet de nouvelles analyses exploitant le ML moderne et les avancées théoriques qui n'étaient pas possibles lors de l'opération originale de SLD.

Les auteurs soulignent que le jeu de données est un « point de départ fidèle » pour des analyses fournissant les corrections radiatives et les traitements systématiques manquants, plutôt qu'une redérivation des résultats finaux publiés. Le travail illustre également un schéma plus large : les jeux de données hérités dont le logiciel est perdu peuvent être récupérés en combinant la documentation survivante, les contraintes physiques et les outils d'IA modernes.