⚛️ high-energy experiments

MANGO: An Autodiff Neutrino Oscillation Engine for Differentiable Analysis Pipelines

Cet article présente MANGO, un moteur d'oscillation de neutrinos entièrement différentiable qui permet une analyse efficace, de bout en bout et basée sur le gradient, de scénarios de propagation complexes et de conceptions expérimentales en calculant les sensibilités pour toutes les entrées — y compris les profils de densité terrestre et les paramètres des détecteurs — avec un surcoût computationnel minimal.

Auteurs originaux : Pierre Granger

Publié 2026-08-14

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Pierre Granger

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

Les fantômes invisibles et les mathématiques qui les font bouger

Imaginez que l'univers soit rempli de minuscules particules fantomatiques appelées neutrinos. Elles sont si timides qu'elles peuvent traverser une année-lumière de plomb solide sans heurter quoi que ce soit, et des trillions d'entre elles traversent votre corps en ce moment même, de manière totalement imperceptible. Ces particules se présentent sous trois « saveurs » (voyez-les comme des couleurs différentes : électron, muon et tau), et alors qu'elles parcourent les vastes distances de l'espace ou traversent la Terre, elles ont l'habitude magique de changer de couleur. Ce phénomène est appelé « oscillation de neutrino ».

Les scientifiques étudient ces changeurs de forme depuis des décennies pour comprendre les règles fondamentales de l'univers. Pour ce faire, ils construisent des détecteurs massifs profondément sous terre et attendent qu'un neutrino interagisse. Mais pour comprendre ce que le neutrino était en train de faire, ils doivent exécuter des simulations informatiques complexes. Ces simulations agissent comme une machine à remonter le temps, prédisant comment un neutrino devrait se comporter lorsqu'il traverse le noyau de la Terre, le manteau et l'atmosphère.

Pendant longtemps, ces simulations étaient comme une rue à sens unique. Vous pouviez introduire les conditions initiales (d'où venait le neutrino, à quelle vitesse il allait) et obtenir une réponse (quelle est sa saveur à l'arrivée). Mais si vous vouliez savoir pourquoi la réponse changeait lorsque vous modifiiez un seul chiffre — comme la densité du noyau de la Terre ou l'angle sous lequel le neutrino entrait — vous deviez relancer toute la simulation, modifier légèrement le chiffre, et la relancer à nouveau. C'était comme essayer de trouver la recette parfaite d'un gâteau en en cuisant un nouveau chaque fois que vous vouliez savoir si l'ajout d'une pincée de sucre supplémentaire aiderait. Cela fonctionnait, mais c'était lent, maladroit, et cela rendait l'optimisation de l'expérience presque impossible.

Le nouveau moteur : MANGO

Voici entré en scène MANGO (qui signifie « MANGO : A Neutrino Gradient Oscillator »). Voyez MANGO non pas seulement comme une calculatrice, mais comme un moteur intelligent et conscient de lui-même capable de faire le calcul à l'envers. Dans le monde de l'informatique, cela s'appelle la « différenciation automatique ». Alors que les outils traditionnels ne peuvent que vous donner le résultat d'un calcul, MANGO peut vous dire exactement à quel point ce résultat est sensible à chaque ingrédient utilisé pour le fabriquer, tout d'un coup.

Le document présente MANGO comme un nouvel outil open-source construit sur un framework de programmation moderne appelé JAX. Sa superpuissance principale est qu'il traite l'ensemble du processus de la physique des neutrinos comme une seule chaîne mathématique continue. Habituellement, les scientifiques calculent la probabilité qu'un neutrino change de saveur, puis s'arrêtent. MANGO garde la « chaîne mathématique » ouverte. Il permet à l'ordinateur de tracer la sensibilité du résultat final jusqu'au travers de la réponse du détecteur, de la façon dont les données sont regroupées, et même de la forme physique de la Terre elle-même.

Ce que MANGO fait réellement

Le chercheur a conçu MANGO pour résoudre un casse-tête spécifique : le calcul des dérivées (pentes) des probabilités de neutrinos. Par le passé, calculer ces pentes était soit impossible, soit nécessitait que les scientifiques écrivent manuellement des formules complexes et sujettes à l'erreur pour chaque nouveau scénario. MANGO change la donne en rendant chaque étape du calcul différentiable.

Voici ce que le document démontre :

Il voit l'invisible : MANGO peut calculer comment la probabilité du neutrino change si vous modifiez des éléments que les formules traditionnelles ignorent, comme la profondeur exacte du détecteur, la hauteur où le neutrino a été créé dans l'atmosphère, ou la densité de couches spécifiques à l'intérieur de la Terre.
Il gère la complexité : La Terre n'est pas une sphère parfaite avec des couches lisses ; elle possède une croûte, un manteau et un noyau, chacun ayant des densités différentes. MANGO peut modéliser cette Terre « stratifiée » (en utilisant un modèle standard appelé PREM) et même gérer des théories physiques non standard étranges où les neutrinos pourraient interagir avec la matière de nouvelles manières ou perdre leur « cohérence » quantique.
Il est incroyablement rapide : Le document montre que le calcul de la sensibilité pour les 369 paramètres différents d'un modèle terrestre stratifié (densités, fractions électroniques et rayons des couches) ne prend que environ 2,5 à 3 fois plus longtemps que d'exécuter la simulation une seule fois. Avec l'ancienne méthode, cela aurait nécessité des centaines de passages distincts.
Il est précis : L'auteur a vérifié que les résultats de MANGO correspondent à d'autres outils établis (comme OscProb et NuFast) à moins d'une fraction infime de pourcent (spécifiquement, des différences aussi petites que $10^{-9}$ à $10^{-5}$ ). Ils ont également prouvé que les mathématiques fonctionnent parfaitement même lorsque les neutrinos traversent le noyau de la Terre, une région où les mathématiques deviennent habituellement très complexes.

Un test en conditions réelles : La tomographie terrestre

Pour démontrer sa puissance, l'auteur a utilisé MANGO pour effectuer une analyse « tomographique » de la Terre. Imaginez essayer de déterminer la densité du noyau de la Terre en observant les neutrinos qui le traversent.

En utilisant MANGO, ils n'ont pas seulement deviné la densité ; ils ont calculé exactement quelle serait l'incertitude de cette mesure. Mais voici le plus important : ils ont ensuite différencié à travers cette incertitude pour voir comment elle changerait si l'on améliorait la résolution angulaire du détecteur (la capacité du détecteur à distinguer la direction du neutrino).

En un seul passage, MANGO a calculé qu'améliorer la capacité du détecteur à mesurer les angles de seulement 0,01 améliorerait la précision de la mesure de la densité du noyau terrestre de 7,8 %. Il s'agit d'un type de calcul de « conception expérimentale » qui était auparavant inaccessible car il nécessitait de différencier à travers toute la chaîne de la physique, des statistiques et du matériel du détecteur.

Ce qu'il n'est pas (et ce qu'il ne fait pas)

Il est important de noter ce que MANGO n'est pas. Ce n'est pas un outil pour simuler les neutrinos de haute énergie qui sont absorbés ou détruits par la Terre (un processus appelé atténuation) ; pour cela, d'autres outils sont encore nécessaires. Ce n'est pas non plus une baguette magique qui résout instantanément tous les problèmes de physique ; c'est un fondement. L'auteur précise explicitement que si MANGO gère parfaitement la physique centrale de l'oscillation, étendre cela pour couvrir le transport complet de la matrice de densité ou les simulations d'expériences complètes (comme celles réalisées par d'autres grandes suites logicielles) est un travail pour l'avenir.

L'essentiel

Le document présente MANGO comme un changement fondamental. Il fait passer la physique des neutrinos d'un monde où l'on calcule un résultat puis où l'on devine manuellement comment l'améliorer, à un monde où l'ordinateur vous dit exactement comment ajuster l'expérience, le détecteur ou le modèle pour obtenir la meilleure réponse possible. Il transforme la « boîte noire » de la simulation de neutrinos en une machine transparente et ajustable, permettant aux scientifiques d'optimiser leurs expériences et de comprendre l'intérieur de la Terre avec un niveau de précision et de vitesse qui était auparavant hors de portée. L'auteur a rendu le code open-source, invitant le reste de la communauté scientifique à construire sur ce nouveau fondement différentiable.

Résumé Technique : MANGO – Un moteur d'oscillation de neutrinos par autodifférentiation pour les pipelines d'analyse différentiables

Énoncé du Problème
Bien que le calcul des probabilités d'oscillation des neutrinos soit un problème bien établi avec des logiciels hautement optimisés et matures (ex. : Prob3++, OscProb, GLoBES, NuFast), le calcul de leurs dérivées exactes et leur intégration dans des pipelines d'analyse de bout en bout différentiables demeure un défi non résolu. Les outils existants excellent dans l'évaluation des probabilités directes (forward), mais manquent de dérivées automatiques et exactes. Cette limitation architecturale empêche l'intégration de la physique des oscillations dans les flux de travail modernes différentiables, tels que le Monte Carlo Hamiltonien (HMC), l'inférence variationnelle, les substituts neuronaux (surrogates) et la conception expérimentale basée sur le gradient. De plus, les formules de dérivées analytiques sont souvent restreintes à des régimes spécifiques (ex. : densité constante) et ne peuvent pas facilement s'adapter à des géométries complexes (comme les modèles terrestres stratifiés) ou à des paramètres non standards (tels que la profondeur du détecteur ou la hauteur de production atmosphérique) qui n'apparaissent pas dans les expressions de probabilité en forme fermée.

Méthodologie
Le document présente mango (MANGO : A Neutrino Gradient Oscillator), un moteur d'oscillation composable implémenté nativement en JAX. Plutôt que de dériver des dérivées analytiques pour des cas spécifiques, mango implémente un noyau de propagation général et s'appuie sur la différentiation automatique (AD) pour obtenir des dérivées exactes par rapport à toutes les entrées.

Noyau de Propagation : Le moteur prend en charge la propagation sous vide, à densité constante, avec le modèle PREM stratifié, avec un profil arbitraire, ainsi que la propagation solaire adiabatique. Il gère les oscillations standards à trois saveurs ainsi que des scénarios au-delà du Modèle Standard (BSM), incluant les interactions non standard (NSI), les états stériles 3+N, la décohérence environnementale et le mélange non unitaire.
Géométrie et Différentiabilité : Le cadre traite la géométrie de propagation (angle zénithal, hauteur de production, profondeur du détecteur) comme des entrées différentiables. En construisant la corde de trajectoire et les intersections de couches via des fonctions différentiables en forme fermée, le moteur calcule les dérivées par rapport aux paramètres géométriques absents des formules analytiques traditionnelles.
Backend Numérique : Pour garantir la précision numérique et la différentiabilité à travers les dégénérescences spectrales, mango utilise une expansion par différences divisées (Cayley–Hamilton) comme moteur de production par défaut. Cette approche évite le calcul explicite des vecteurs propres, contournant ainsi les singularités de dérivées ( $1/(\lambda_i - \lambda_j)$ ) qui affectent les routines de diagonalisation standard près des croisements de niveaux de masse. Les backends alternatifs incluent un algorithme NuFast transcrit en JAX, une diagonalisation hermitienne dense et des exponentielles de Padé pour la vérification.
Modèle de Différentiabilité : Le moteur supporte l'AD en mode direct (forward-mode) et en mode inverse (reverse-mode). Crucialement, le coût du mode inverse dépend de la dimension de la sortie plutôt que de la dimension d'entrée. Cela permet d'évaluer les sensibilités de centaines de paramètres (par exemple, 369 paramètres pour un modèle terrestre stratifié) avec un surcoût constant de seulement 2,5 à 3 fois une seule passe directe.

Contributions Clés

Moteur Différentiable Composable : mango fournit le premier moteur d'oscillation où chaque quantité calculée est différentiable par rapport à toutes les entrées, y compris la géométrie de propagation, la profondeur du détecteur et les densités de chaque couche terrestre.
Couverture et Portée : Le moteur supporte les dérivées pour chaque configuration qu'il traite (PREM stratifié, profils solaires continus, NSI, états stériles). Il permet la différenciation par rapport à des quantités absentes des formules analytiques, telles que les paramètres de géométrie de la corde ( $\cos \theta_z$ , $h_{atm}$ , $d_{det}$ ) et les densités par couche.
Différentiabilité de Bout en Bout : Le graphe d'AD ne se termine pas à la probabilité de calcul. Il circule continuellement à travers la réponse du détecteur, la pondération des événements, le binage d'histogrammes et les vraisemblances (likelihoods). Cela permet à un seul appel à jax.grad de retourner le gradient d'une figure de mérite d'analyse physique par rapport à n'importe quelle quantité en amont.
Robustesse Numérique : En utilisant les différences divisées, le moteur garantit des dérivées AD $C^\infty$ lisses à travers les croisements exacts de niveaux de masse et les résonances MSW, évitant les instabilités numériques associées à la différenciation des vecteurs propres.

Résultats

Précision : Les probabilités à trois saveurs et les probabilités terrestres stratifiées correspondent aux références externes (OscProb, NuFast-Earth) à $10^{-9}$ ou $10^{-5}$ près. Tous les modèles directs, les limites BSM et les chemins de différenciation sont vérifiés par rapport aux solutions analytiques exactes et aux différences finies, avec des écarts relatifs typiquement compris entre $10^{-10}$ et $10^{-5}$ .
Performance : Sur un GPU NVIDIA A100, le port NuFast à densité constante s'exécute en 61 ns par point d'énergie, tandis que le noyau de différence divisée général tourne en 116 ns. Le chemin PREM stratifié (impliquant environ 50 segments) coûte environ 158 $\mu$ s par point.
Évolutivité : L'évaluation des sensibilités pour les 369 paramètres de densité, de fraction électronique et de rayon de couche de la Terre ne coûte pas plus cher que les 6 paramètres d'oscillation standards (un facteur de coût de ~3,0× la passe directe). En revanche, la différenciation finie nécessiterait environ 250 fois plus d'évaluations.
Démonstration : Le document démontre une analyse de tomographie terrestre stylisée. En une seule passe, mango calcule l'incertitude marginalisée d'un modèle de densité radiale à six zones. En différenciant à travers la matrice de Fisher inverse, il évalue la sensibilité de cette incertitude par rapport à la résolution angulaire du détecteur. Cela produit une métrique de conception expérimentale (ex. : comment la précision de la densité du noyau s'améliore avec une meilleure résolution angulaire) inaccessible via les formules de probabilité analytiques traditionnelles.

Signification
Le document affirme que mango fournit un changement fondamental pour les flux de travail d'oscillation des neutrinos, passant des calculateurs traditionnels uniquement orientés vers le calcul direct à un moteur différentiable exact et de bout en bout. Sa signification principale réside dans la possibilité de réaliser une inférence et une conception expérimentale différentiables où les modèles physiques, les paramètres de conception d'instruments et les pipelines d'analyse peuvent être conjointement différenciés et optimisés. En maintenant des signaux de sensibilité exacts à travers tout le pipeline, mango permet :

La Conception Expérimentale : Optimiser les schémas de binage et évaluer les compromis matériels (ex. : résolution angulaire vs portée de tomographie) via la descente de gradient.
Les Ajustements (Fits) de Haute Dimension : Permettre une marginalisation rapide sur des centaines de paramètres de nuisance systématiques en utilisant des minimiseurs basés sur le gradient et le HMC.
Les Inversions Géophysiques : Faciliter les techniques d'inversion basées sur le gradient pour reconstruire les profils de densité continus de l'intérieur de la Terre directement à partir des données de neutrinos.

Ce travail établit une fondation composable et différentiable qui connecte la mécanique quantique fondamentale directement au potentiel de découverte expérimentale, répondant à un goulot d'étranglement critique dans l'analyse moderne de la haute énergie.

Les fantômes invisibles et les mathématiques qui les font bouger

Le nouveau moteur : MANGO

Articles similaires