Infrared Subtraction with Artificial Intelligence

Au cœur de la physique moderne, les chercheurs étudient les briques fondamentales de l'univers en faisant entrer des particules en collision à des vitesses incroyables. Lorsque ces collisions se produisent, elles ne produisent pas seulement quelques fragments simples ; elles engendrent souvent une pluie de nouvelles particules qui s'envolent dans toutes les directions. Pour comprendre les lois qui régissent ces événements, les scientifiques doivent calculer la probabilité de chaque résultat possible avec une précision extrême. Cependant, un obstacle majeur se dresse dans ces calculs : lorsqu'une particule émet une bouffée d'énergie trop faible pour être vue ou lorsque deux particules se déplacent presque dans la même direction, les formules mathématiques utilisées pour décrire l'événement s'effondrent et produisent des nombres infinis et absurdes. On appelle cela des singularités infrarouges. Bien que les lois de la physique garantissent que ces infinis s'annulent mutuellement dans le résultat final, séparer ces infinis des données significatives pour obtenir un nombre précis pour une expérience spécifique a été un combat de plusieurs décennies pour les physiciens théoriciens.

Une équipe de chercheurs de l'Université Normale de Pékin et de l'Académie chinoise des sciences a maintenant abordé ce problème en utilisant une nouvelle approche qui mélange l'intuition physique humaine et les capacités de résolution créative de l'intelligence artificielle. Ils ont développé une méthode pour isoler et éliminer ces infinis problématiques sans dépendre des raccourcis mathématiques rigides traditionnels utilisés depuis des années. Au lieu de forcer le calcul à entrer dans un moule préexistant, ils ont utilisé un grand modèle de langage — un type d'intelligence artificielle entraîné sur de vastes quantités de textes et de codes — pour concevoir de nouvelles manières de cartographier la projection chaotique des particules vers leur point de départ le plus simple. Les chercheurs ont découvert qu'en laissant l'IA concevoir ces cartes, puis en les vérifiant par rapport aux théories établies du comportement des particules, ils pouvaient reconstruire les données complexes de collision de particules avec une grande précision. Ce travail démontre que l'intelligence artificielle peut non seulement accélérer les calculs, mais aussi aider à construire les outils mathématiques mêmes nécessaires pour résoudre certains des problèmes les plus difficiles de la physique des hautes énergies.

Le défi central auquel l'équipe a été confrontée est la gestion du « bruit » des collisions de particules. Lorsque les particules entrent en collision, elles émettent un rayonnement, tout comme un moteur de voiture émet des gaz d'échappement. Dans le monde quantique, cet échappement peut être si faible qu'il est impossible de le distinguer du bruit de fond, ou si aligné avec d'autres particules qu'il semble former un flux unique. Les calculs standards peinent face à ces frontières floues. Pendant des années, les physiciens ont utilisé une technique appelée « tranchage » (slicing), qui consiste à tracer une ligne arbitraire dans les données pour séparer les événements clairs et mesurables des événements flous et problématiques. Bien que cela fonctionne, cette méthode introduit ses propres erreurs et nécessite une puissance de calcul massive pour rendre la ligne assez fine afin d'être précise. Les chercheurs voulaient une meilleure façon : une méthode capable de gérer toute la gamme des émissions de particules à la fois, sans tracer de ligne arbitraire, tout en annulant les infinis mathématiques.

Pour y parvenir, l'équipe a construit un cadre qui sépare le calcul en deux parties. La première traite du rayonnement qui est réellement émis, et la seconde traite du terme de « contact », qui représente la contribution finie et propre de la collision à son niveau le plus simple. L'innovation clé a été d'utiliser un agent d'intelligence artificielle pour concevoir les règles de projection de l'état final complexe à multiparticules vers l'état initial simple à deux particules. Dans une version de leur expérience, l'IA a utilisé un réseau neuronal — un type de programme informatique modélisé d'après le cerveau humain — pour apprendre à mapper la projection chaotique des particules vers un point de départ propre. Dans une autre version, l'IA a généré une recette mathématique stricte, étape par étape, pour faire la même chose. Dans les deux cas, les chercheurs humains ont fourni les lois physiques et les contraintes, indiquant à l'IA ce qui est possible et ce qui est interdit, tandis que l'IA déterminait les étapes spécifiques pour y parvenir.

L'équipe a testé sa nouvelle méthode en simulant des collisions électron-positon, un processus standard en physique des particules où un électron et son contrepartie antimatière s'annihilent pour produire des jets de particules. Ils se sont concentrés sur des scénarios où trois ou quatre jets de particules sont produits, ce qui est nettement plus complexe que les cas plus simples à deux jets. Les résultats ont été frappants. Les méthodes conçues par l'IA ont réussi à reconstruire les prédictions théoriques complètes de ces collisions, correspondant aux résultats des outils de simulation les plus sophistiqués avec une grande précision. Les chercheurs ont constaté que l'IA pouvait déterminer les termes de « contact » nécessaires — les corrections mathématiques requises pour annuler les infinis — soit en ajustant les données à des modèles théoriques connus, soit en les calculant directement à l'aide d'une nouvelle formule locale qui ne nécessitait pas la ligne de tranchage arbitraire. Ce calcul direct leur a permis de réutiliser les calculs d'ordre inférieur existants et de les combiner avec des prédictions théoriques avancées pour obtenir la réponse finale.

Peut-être plus surprenant encore, l'équipe a obtenu ces résultats en utilisant des ressources informatiques très modestes. L'ensemble du calcul numérique et l'entraînement du réseau neuronal ont été effectués sur le processeur central d'un MacBook Apple de 2020, un ordinateur portable standard, sans aucune carte graphique spécialisée ni supercalculateur. Cela suggère que la nouvelle méthode est non seulement précise, mais aussi suffisamment efficace pour être exécutée sur des machines locales, démocratisant potentiellement l'accès aux calculs de haute précision. Les chercheurs ont également étendu leurs travaux à des scénarios encore plus complexes, incluant une collision à deux jets à un niveau de précision plus élevé, où ils ont utilisé l'apprentissage automatique pour réduire le bruit statistique dans les résultats. En entraînant l'IA à reconnaître les motifs dans les données et à les soustraire, ils ont stabilisé le calcul, rendant les chiffres finaux plus fiables.

Les implications de ce travail vont au-delà de l'obtention d'un meilleur chiffre pour une expérience spécifique. Cela représente un changement dans la manière dont la physique théorique est pratiquée. Pendant des décennies, la construction des outils mathématiques nécessaires pour annuler les infinis a exigé un effort humain immense et une profonde intuition analytique, prenant souvent des années pour être développée pour un nouveau type de collision. Cette étude montre que l'intelligence artificielle peut assister le processus créatif de construction de ces outils. L'IA n'a pas seulement traité des chiffres ; elle a conçu la structure même de la méthode de soustraction, proposant de nouvelles manières de mapper les particules et de calculer les corrections que les chercheurs humains n'auraient peut-être pas envisagées. Les chercheurs ont vérifié que les cartes générées par l'IA respectaient toutes les lois physiques nécessaires, telles que la conservation de l'énergie et de la quantité de mouvement, et qu'elles traitaient correctement les limites délicates où les particules deviennent indiscernables.

Bien que l'étude soit une preuve de concept, elle ouvre une voie claire vers l'avenir. Les chercheurs ont démontré que leur approche fonctionne pour trois et quatre jets à un niveau de précision standard, ainsi que pour deux jets à un niveau encore plus élevé. Ils ont également esquissé la manière dont la méthode pourrait être étendue à des collisions encore plus complexes impliquant trois jets à ce niveau de précision plus élevé, en fournissant les cartes mathématiques et les formules nécessaires pour les travaux futurs. Le succès de la méthode repose sur un partenariat entre l'intuition humaine et l'apprentissage automatique. Les humains définissent les limites physiques et les objectifs, garantissant que l'IA reste dans les lois de la nature, tandis que l'IA explore le vaste espace des solutions mathématiques possibles pour trouver le chemin le plus efficace. Cette collaboration permet de réutiliser les calculs existants et d'intégrer des prédictions théoriques avancées, créant un cadre plus robuste et flexible pour les découvertes futures.

Les conclusions suggèrent que l'avenir de la physique de précision pourrait impliquer un nouveau type de flux de travail où l'intelligence artificielle agit comme un copilote dans la construction d'outils théoriques. En automatisant la conception des formules de soustraction et en améliorant l'intégration numérique de données complexes, l'IA peut aider les physiciens à repousser les limites de ce qui est calculable. La capacité de réaliser ces calculs sophistiqués sur un ordinateur portable indique que la barrière à l'entrée pour les travaux de haute précision pourrait être abaissée, permettant à davantage de chercheurs de s'attaquer à des problèmes difficiles. À mesure que le domaine progresse vers des niveaux de précision encore plus élevés, où les calculs deviennent exponentiellement plus difficiles, la capacité de construire ces méthodes de soustraction automatiquement pourrait devenir essentielle. Les chercheurs ont montré qu'avec la bonne orientation, l'intelligence artificielle peut non seulement résoudre des équations, mais aussi aider à inventer les méthodes nécessaires pour les résoudre, transformant un goulot d'étranglement vieux de plusieurs décennies en une étape gérable dans le voyage de la découverte.