©Claudia Marcelloni - CERN
Gilles Louppe, chargé de cours en Intelligence artificielle au Département d'électricité, électronique et informatique de l'Institut Montefiore, participe à la mise au point de méthodes d’analyse plus rapides et fiables pour détecter les phénomènes physiques les plus furtifs.
A
vec des physiciens de l'Université de New York, Gilles Louppe, désormais chargé de cours en Intelligence artificielle à l’ULiège, a participé à la mise au point de nouvelles techniques se basant sur l’Intelligence artificelle et l'apprentissage automatique pour améliorer considérablement l'analyse des données générées au sein du Grand Collisionneur de Hadrons (LHC), le plus puissant accélérateur de particules du monde situé près de Genève à cheval sur les frontières suisse et française.
C’est l’étude de la « nouvelle physique » qui est en jeu au LHC, un laboratoire du CERN. Chaque seconde au cœur de l’anneau sous-terrain, des millions de collisions de protons s'y produisent, générant une quantité incroyable de données. Détecter et mesurer les processus furtifs intéressants pour la physique équivaut presque à la recherche d’une aiguille dans une botte de foin…
Le LHC explore une nouvelle frontière en physique des hautes énergies. Il pourrait révéler l'origine de la masse des particules fondamentales, la source de la matière noire qui emplit l'univers, et même d’autres dimensions de l'espace. C’est là qu’en 2012, à partir des données récoltées, les physiciens ont pu confirmer l'existence du boson de Higgs, une particule subatomique qui joue un rôle clé dans notre compréhension de l'univers et dont l’existence était décrite depuis plusieurs années par le professeur belge François Englert (ULB), ce qui lui a valu le Prix Nobel de Physique avec Peter Higgs.
Les nouvelles méthodes d’analyse présentées récemment dans la prestigieuse revue Physical Review D sont inspirées par l’Intelligence artificielle. Elles ont déjà été mises en œuvre par les chercheurs américains pour attester avec succès l’existence du boson de Higgs. Aujourd’hui elles s’avèrent prometteuses pour permettre la découverte de beaucoup d’autres phénomènes et particules physiques insoupçonnées jusqu’à présent.
La combinaison de la science des données, de l’informatique et de la physique fournit ici de nouveaux outils d’Intelligence artificielle sur lesquels les chercheurs vont s’appuyer pour réaliser de nouvelles découvertes et révolutionner les connaissances fondamentales en physique.
C’est lors de son séjour post-doctoral au CERN que Gilles Louppe a entamé ces recherches avec ses collègues de l’Université de New York, recherches qu’il poursuit désormais au sein de l’Université de Liège. Il est co-auteur des papiers dans Physical Review D.
Gilles Louppe explique : « Les techniques développées ont pour objectif premier la physique des hautes énergies, mais elles sont en fait assez générales pour s'appliquer à bien d'autres problèmes. Ainsi, dans de nombreux domaines scientifiques, les simulations informatiques fournissent souvent la description la plus précise d'un phénomène compliqué. Ces simulations sont cependant difficiles à utiliser directement dans le contexte d'une analyse. Dans ce travail, nous proposons une méthode efficace basée sur l'apprentissage profond (deep learning), permettant d'utiliser ces simulations de haute précision pour mener bien une analyse de données. »
« Pour rendre les choses plus concrètes, il est par exemple très facile d'écrire un programme informatique qui simulerait un jeu de billard où les billes ricochent les unes contre les autres et contre les bords de la table. Cependant, il est beaucoup plus compliqué de regarder la disposition finale des billes et d'en déduire l'angle avec lequel la bille blanche a été frappée. De la même façon, alors qu'on imagine souvent des tableaux noirs remplis d'équations, la physique moderne se construit sur des simulateurs informatiques. Ces simulations peuvent être très précises, mais elles ne permettent pas immédiatement d'analyser des observations expérimentale. »
Référence Scientifique
Johann Brehmer, Kyle Cranmer, Gilles Louppe, and Juan Pavez, A guide to constraining effective field theories with machine learning, Phys. Rev. D 98, 052004 – September 2018.
Contact
Gilles LOUPPE, Département d'électricité, électronique et informatique (Institut Montefiore)
