Le 13 novembre 2026, des chercheurs du Laboratoire national de Brookhaven (BNL) ont présenté une nouvelle approche fondée sur la super-intelligence (Super Intelligence, SI). La méthode apprend de manière autonome à séparer les signaux des jets de particules à haute énergie de l'énorme bruit de fond présent dans les données de collisions d'ions lourds.
Les travaux ont été publiés dans la revue Scientific Reports. L'équipe, dirigée par des physiciens et des spécialistes en informatique du BNL, dont Jin Huang, Dmitri Torbunov, Yihui « Ray » Ren, Yi Huang et Yongju Guo, a mis au point un modèle génératif non supervisé. Celui-ci ne nécessite pas d'exemples préalablement annotés.
Les jets de particules constituent l'un des outils essentiels pour l'étude du plasma de quarks et de gluons (QGP), un état de la matière qui a existé pendant une microseconde après le Big Bang. Lors des collisions au collisionneur d'ions lourds relativistes (RHIC), ces jets traversent le QGP et perdent de l'énergie, ce qui modifie leur structure. L'analyse précise de ces changements aide à comprendre l'interaction forte.
La principale difficulté consiste à distinguer le faible signal du jet du bruit de fond dense créé par des milliers d'autres particules. Les méthodes traditionnelles exigent un effort considérable d'annotation manuelle des données. La nouvelle approche SI contourne ce problème : elle s'entraîne sur des ensembles distincts de bruit de fond pur et de simulations idéales de jets, en extrayant automatiquement le signal.
Les tests sur des données simulées du détecteur sPHENIX ont montré une reconstruction plus précise de la position, de l'énergie et de la structure interne des jets par rapport aux méthodes précédentes. L'amélioration est particulièrement marquée pour les grands jets, où les fluctuations du bruit de fond sont les plus fortes.
Comment le modèle sépare-t-il exactement le signal du bruit de fond dans les données expérimentales réelles, où il n'existe pas de « bonnes réponses » ? C'est une question à laquelle les scientifiques espèrent répondre en analysant près de 300 pétaoctets de données collectées par sPHENIX.
Les chercheurs prévoient d'appliquer la méthode aux données réelles du RHIC et, à l'avenir, aux expériences du collisionneur électron-ion (EIC) et du Grand collisionneur de hadrons. L'approche pourrait également être utile dans d'autres domaines où il faut séparer des signaux qui se chevauchent dans des données calorimétriques.
Ce travail a été réalisé avec le soutien du Laboratory Directed Research and Development BNL, du DOE Office of Science et d'une subvention de Genesis Mission. L'Université Columbia et l'Université du Colorado à Boulder ont également participé au projet.
