⚛️ high-energy experiments

Machine Can Automatically Discover Parametric Functions to Model HEP Data

Cet article présente SymbolFit, un package d'apprentissage automatique qui automatise la découverte de fonctions paramétriques pour la modélisation de données de haute énergie physique par régression symbolique, reproduisant avec succès des fonctions de spectres de dijets connus et obtenant d'excellents ajustements statistiques sans recourir à l'intuition manuelle.

Auteurs originaux : Ho Fung Tsoi, Dylan Rankin, Cecile Caillol, Miles Cranmer, Sridhara Dasu, Javier Duarte, Philip Harris, Elliot Lipeles

Publié 2026-07-23

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ho Fung Tsoi, Dylan Rankin, Cecile Caillol, Miles Cranmer, Sridhara Dasu, Javier Duarte, Philip Harris, Elliot Lipeles

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un détective tentant de résoudre un mystère, mais que les indices ne sont pas des empreintes digitales ou des empreintes de pas, mais de minuscules bosses dentelées sur un graphique. C'est le quotidien d'un physicien travaillant en physique des hautes énergies (HEP), le domaine où les scientifiques font s'entrechoquer des particules à une vitesse proche de celle de la lumière pour voir de quoi l'univers est composé. Lorsque ces particules entrent en collision, elles créent un jet chaotique de débris. Pour donner un sens à ce chaos, les physiciens doivent organiser les débris dans des « bacs » (comme trier des billes par taille) puis tracer une ligne lisse et courbe à travers les points pour représenter les données. Cette ligne est appelée une « fonction », et elle agit comme une carte, aidant les scientifiques à distinguer le bruit de fond ordinaire de quelque chose de vraiment nouveau et passionnant, comme une particule cachée.

Pendant des décées, tracer cette carte a été un travail très humain, et très frustrant. C'est comme essayer de deviner la forme d'un objet secret en le palpant à travers une couverture épaisse. Un physicien doit faire une supposition sauvage de l'apparence de la courbe, la dessiner, vérifier si elle convient, et si elle ne convient pas, ajuster la supposition, redessiner, et recommencer. Cette boucle de « supposition et vérification » peut prendre une éternité, et la forme finale ressemble souvent plus à un coup de chance qu'à une découverte solide. Mais et si une machine pouvait faire les suppositions pour vous ? Et si un algorithme pouvait explorer des millions de formes mathématiques en quelques secondes pour trouver l'ajustement parfait sans jamais avoir besoin de savoir à quoi ressemble la réponse au préalable ? C'est la grande question que pose cet article, et la réponse pourrait changer à jamais la façon dont les physiciens exercent leur métier.

La machine qui apprend à tracer des courbes

Dans cette étude, une équipe de chercheurs a construit un détective numérique nommé SymbolFit pour voir si un ordinateur pouvait découvrir automatiquement les meilleures formules mathématiques pour modéliser les données de collision de particules. Au lieu de demander à un humain de deviner la forme de la courbe, ils ont laissé la machine explorer une vaste « forêt » de fonctions mathématiques possibles. Imaginez que l'on donne à un robot un sac de briques Lego (des opérateurs mathématiques comme l'addition, la soustraction, la multiplication, la division et les exposants) et qu'on lui demande de construire une structure qui corresponde parfaitement à un tas de points de données dispersés. Le robot ne sait pas à quoi doit ressembler le bâtiment final ; il essaie simplement des millions de combinactions jusqu'à ce qu'il en trouve une qui s'adapte parfaitement aux données.

Les chercheurs ont testé cette machine sur des données réelles provenant de deux gigantesques détecteurs de particules, CMS et ATLAS, qui font entrer des protons en collision au Grand Collisionneur de Hadrons (LHC). Plus précisément, ils ont étudié les « spectres de dijets », qui sont des graphiques montrant la fréquence à laquelle des paires de jets de particules apparaissent à différents niveaux d'énergie. Ces graphiques sont notoirement difficiles à modéliser, et depuis des années, les physiciens s'appuient sur deux formules spécifiques, conçues à la main, connues sous les noms de « fonction de dijet » et de « fonction UA2 », pour les décrire. Ces formules ont été découvertes par des humains à force d'essais et d'erreurs au fil des ans.

L'équipe a mis en place une expérience comprenant 560 exécutions indépendantes de leur machine, utilisant sept configurations de recherche différentes (certaines laissant le robot utiliser n'importe quel outil mathématique, d'autres lui imposant un modèle spécifique à suivre). Ils voulaient vérifier deux choses : la machine pouvait-elle redécouvrir les célèbres formules créées par l'homme de manière autonome ? Et pouvait-elle trouver d'autres formules qui fonctionneraient tout aussi bien ?

Les résultats ont été étonnamment fructueux. Dans 111 des 560 exécutions, la machine a « redécouvert » de manière indépendante les formules exactes que les physiciens humains avaient mis des années à dériver. Elle a trouvé la fonction de dijet et la fonction UA2 uniquement en regardant les données, sans qu'on lui dise ce qu'elle devait chercher. Mais voici la partie la plus excitante : la machine ne s'est pas contentée de copier les humains. Elle a trouvé plus de 1 000 fonctions candidates différentes qui s'adaptent aux données aussi bien que les célèbres formules humaines. En fait, les formules humaines redécouvertes ne représentent qu'une infime fraction des formes réussies trouvées par la machine.

L'article démontre que ces nouvelles fonctions découvertes par la machine ne sont pas de simples curiosités mathématiques ; elles sont robustes. Les chercheurs ont utilisé une méthode appelée modélisation de l'incertitude pour s'assurer que chaque courbe tracée par la machine soit accompagnée d'une « marge de sécurité » intégrée (une mesure de la confiance de la machine dans son ajustement). Ils ont constaté que beaucoup de ces nouvelles formes étaient complètement différentes des anciennes — certaines utilisaient des combinaisons de logarithmes et d'exposants différentes, tandis que d'autres utilisaient des structures entièrement nouvelles — mais toutes décrivaient les données de particules avec un haut degré de précision (un score statistique appelé $\chi^2$ /NDF $\approx$ 1).

Les auteurs suggèrent que cette approche pourrait remplacer l'ancienne méthode laborieuse consistant pour l'humain à deviner et ajuster des formules. Au lieu qu'un physicien passe des semaines à peaufiner une seule courbe, une machine pourrait générer instantanément toute une bibliothèque de fonctions parfaitement adaptées, offrant ainsi aux scientifiques plus d'options et les épargnant la boucle de « supposition et vérification ». Bien que l'article ne prétende pas que ce problème est résolu pour chaque question de physique, il suggère fortement que pour la modélisation des données de particules, l'avenir appartient aux machines capables de découvrir automatiquement les mathématiques qui se cachent derrière le mystère.

Résumé Technique : Une machine peut découvrir automatiquement des fonctions paramétriques pour modéliser les données de la HEP

Énoncé du problème
Dans l'analyse des données de la physique des hautes énergies (HEP), la modélisation de données binées par des fonctions lisses est une tâche ubiquitaire, allant de la dérivation de facteurs d'échelle pour les corrections données-simulation à la modélisation des processus de signal et de fond pour la recherche de nouvelle physique. Le défi principal réside dans le fait que la plupart des distributions binées pratiques ne possèdent pas de fonction sous-jacente « réelle » dérivable à partir de principes fondamentaux ; des formes fonctionnelles adéquates doivent être déterminées de manière empirique. La pratique standard actuelle repose sur une boucle itérative manuelle et laborieuse : un analyste devine une forme fonctionnelle basée sur l'intuition, l'ajuste aux données, examine les résidus, puis modifie manuellement la forme (par exemple, en ajoutant des paramètres ou en remplaçant des opérateurs) jusqu'à obtenir un ajustement satisfaisant. Ce processus est empirique, crée une boucle répétitive qui peut entraver la progression de l'analyse, et aboutit souvent à des fonctions candidates qui sont hautement ajustées à des conditions d'analyse spécifiques (par exemple, des réglages de luminosité ou de déclenchement spécifiques), risquant ainsi d'échouer lors de futures analyses. Des exemples bien connus de telles fonctions empiriques incluent la « fonction dijet » et la « fonction UA2 » utilisées dans les recherches de résonance dijet CMS et ATLAS Run 2.

Méthodologie
Les auteurs proposent d'utiliser la régression symbolique (SR) pour automatiser la découverte de fonctions paramétriques. Contrairement à la régression traditionnelle où la forme fonctionnelle est fixée et seuls les paramètres sont optimisés, la SR traite la forme fonctionnelle elle-même comme un « paramètre entraînable » qui change dynamiquement pendant l'ajustement pour minimiser la perte résiduelle. La recherche s'effectue sur un espace de fonctions défini par un ensemble d'opérateurs mathématiques élémentaires et les règles qui les connectent.

Pour implémenter cela en HEP, les auteurs utilisent SymbolFit, un package qui intègre :

PySR : Un moteur de recherche par algorithme évolutionnaire à populations multiples qui explore l'espace fonctionnel sans nécessiter de forme fonctionnelle prédéfinie.
LMFIT : Un outil d'optimisation non linéaire et d'estimation d'incertitude. Puisque les algorithmes de SR renvoient des fonctions exactes sans mesures d'incertitude (essentielles pour les analyses statistiques en HEP), SymbolFit ré-optimise les constantes numériques des fonctions renvoyées et calcule les incertitudes via la matrice de covariance.

L'étude évalue SymbolFit à l'aide d'une expérience de « redécouverte ». L'objectif était de déterminer si une recherche pilotée par les données pouvait redécouvrir les fonctions dijet et UA2 (Éq. 1) empiriquement dérivées en utilisant uniquement les spectres de masse dijet publiés du Run 2 pour CMS et ATLAS ( $\sqrt{s} = 13$ TeV).

Le dispositif expérimental impliquait sept configurations de recherche distinctes (résumées dans le Tableau 1 de l'article), allant d'espaces « à forme libre » avec des ensembles d'opérateurs larges (ex: $\{+, -, \times, /, \wedge, \exp, \ln, \tanh\}$ ) à des configurations de « modèles » imposant des contraintes structurelles spécifiques (ex: $f = \exp(h(x))$ ). Chaque configuration a été exécutée 40 fois avec différentes graines aléatoires sur les ensembles de données CMS et ATLAS, totalisant 560 exécutions indépendantes avec graine. Une exécution était considérée comme une « redécouverte » si elle produisait au moins une candidate algébriquement équivalente aux familles de fonctions dijet ou UA2 avec un ajustement de qualité $\chi^2/\text{NDF} < 2$ .

Résultats clés

Succès de la redécouverte : Sur 560 exécutions, 111 exécutions ont redécouvert avec succès soit la fonction dijet, soit la fonction UA2. Aucune exécution unique n'a redécouvert les deux simultanément.
- Même les recherches quasi dépourvues d'hypothèses (ex: la configuration ops-minimal) ont trouvé les fonctions, bien qu'à des taux plus faibles (ex: 3/40 et 2/40 exécutions pour CMS et ATLAS, respectivement).
- Lorsque des modèles de recherche ont été imposés pour restreindre les blocs de construction vers les structures de fonctions connues (ex: tpl-exp-log), les taux de redécouverte ont augmenté de manière significative (ex: 36/40 et 24/40 exécutions pour CMS et ATLAS, respectivement).
Découverte de fonctions alternatives : La redécouverte n'était pas le seul résultat. La recherche a généré plus de 1 000 fonctions candidates à travers tous les tests qui atteignaient un $\chi^2/\text{NDF} \approx 1$ . Les fonctions dijet et UA2 redécouvertes ne constituaient qu'une infime fraction de ces candidates réussies.
Diversité des formes : L'étude a identifié une grande variété de formes fonctionnelles distinctes (listées dans le Tableau 2 et illustrées dans la Figure 3) qui modélisaient les spectres aussi bien que les fonctions dijet et UA2 traditionnelles. Celles-ci comprenaient différentes combinaisons d'opérateurs et structures, démontrant que la « vraie » forme fonctionnelle n'est pas unique.
Modélisation de l'incertitude : Contrairement aux sorties brutes de la SR, chaque fonction candidate renvoyée par SymbolFit incluait une estimation d'incertitude intégrée. Les auteurs ont démontré cela en traçant les candidates avec des bandes d'incertitude de 68 % et 95 % propagées à partir de la matrice de covariance des paramètres (Figure 4).

Signification et affirmations
L'article affirme que l'approche traditionnelle, manuelle et par essais et erreurs de la sélection de formes fonctionnelles adéquates en HEP peut être remplacée et automatisée par une machine utilisant la régression symbolique pilotée par les données. Les résultats démontrent que :

Les machines peuvent redécouvrir de manière autonome des fonctions complexes, dérivées empiriquement et utilisées dans des analyses majeures de la HEP, sans connaissance préalable de leur forme.
L'espace de recherche contient une vaste diversité de fonctions qui s'ajustent aussi bien aux données, suggérant que les formes fonctionnelles spécifiques actuellement utilisées en HEP ne sont pas des solutions uniques mais plutôt une possibilité parmi de nombreuses autres adéquates.
Le package SymbolFit comble avec succès le fossé entre la régression symbolique et les exigences statistiques de la HEP en fournissant une modélisation d'incertitude nécessaire.

Les auteurs concluent que cette approche automatisée et pilotée par les données peut être largement appliquée à tout scénario d'analyse de données en HEP où la modélisation paramétrique est effectuée, réduisant potentiellement la nature laborieuse de la sélection de modèles et augmentant la robustesse des pipelines d'analyse face aux changements des conditions expérimentales.

La machine qui apprend à tracer des courbes

Articles similaires