Te souviens-tu de Carl Anderson, ce type qui a découvert l’antimatière en 1932 en regardant des traces de particules dans une chambre à brouillard ? Aujourd’hui, pour trouver le prochain truc qui va nous faire dire « qui a commandé ça ? », on a troqué l’intuition humaine contre des autoencodeurs. Le Large Hadron Collider, ce cercueil de 27 kilomètres enterré sous la frontière franco-suisse, produit 40 millions de collisions par seconde. Les physiciens en sauvegardent 1 000. Tu as bien lu : un sur 40 000. Le reste, c’est du vent. Ou plutôt, c’était. Parce qu’aujourd’hui, on flanque des réseaux de neurones sur des circuits FPGA pour traiter un événement toutes les 80 nanosecondes et débusquer l’anomalie qui cloche. Le rêve ? Découvrir une nouvelle particule, donc une nouvelle force. La réalité ? Pour l’instant, l’IA sert surtout à repérer quand un capteur pète un câble et qu’il faut le redémarrer. Super révolution.
Pendant ce temps, la physique des particules traverse une crise existentielle. Le Modèle Standard, cette théorie tellement élégante qu’elle en est devenue une prison mentale, tient bon depuis les années 70. On a cherché la supersymétrie à coups de milliards, elle s’est planquée. Les théories tombent comme des mouches face aux données. Alors on change de stratégie : fini le top-down où on teste une prédiction précise. Place au bottom-up, où on balance de l’apprentissage non supervisé dans les petabytes de données en lui disant « trouve-moi ce qui est intéressant ». Sauf que définir « intéressant », c’est le cœur du problème. C’est comme demander à un robot de repérer Waldo sans lui montrer à quoi il ressemble. Ou de définir l’obscénité sans pouvoir dire « je la reconnais quand je la vois ».
Le jeu est risqué. En 1976, Fermilab a annoncé la découverte de l’Upsilon, rebaptisé plus tard l’Oops-Leon après s’être rendu compte que c’était une fausse alerte. Aujourd’hui, avec des algorithmes qui scrutent des patterns subtils dans des données massives, le risque de faux positifs est encore plus grand. Un algorithme peut voir un signal là où il n’y a que du bruit, ou pire, être aveuglé par ses propres biais. Comme le rappelle l’historien des sciences Peter Galison, dans les années 70, un trigger expérimental conçu pour détecter des électrons lourds a carrément fait rater la découverte des courants neutres. L’IA, avec ses préjugés encodés dans l’entraînement, pourrait reproduire le même schéma : ne voir que ce qu’on lui a appris à voir, et passer à côté de l’inimaginable.
Mais bon, il faut bien avancer. Alors on compresse des autoencodeurs pour les faire tenir sur des FPGA, on les entraîne à repérer des événements « anormaux » dans les collisions du LHC, et on espère que dans le tas, il y aura une pépite. Pour l’instant, le système a flaggé des événements avec plein de jets de particules. Est-ce le signe d’une nouvelle physique ? Ou juste un bruit de détecteur qu’on ne connaissait pas ? Personne n’en sait rien. Ça pourrait prendre des années pour le découvrir. En attendant, les chercheurs partagent les données ouvertement, en disant à la communauté « tiens, on a ça, on comprend pas, débrouillez-vous ». C’est soit une nouvelle façon de faire de la science, soit un aveu d’impuissance déguisé en collaboration.
Pendant que les physiciens du CERN jouent les Indiana Jones quantiques avec des outils à des millions, de l’autre côté de l’Atlantique, des amateurs résolvent des problèmes mathématiques vieux de décennies avec de l’IA. Le contraste est savoureux. Des mégaprojets comme DUNE, qui va envoyer des neutrinos sur 1 300 km à travers la roche et générer 5 téraoctets de données par seconde, le tout pour traquer une asymétrie matière-antimatière que le Modèle Standard n’explique pas. Pendant ce temps, des gens dans leur salon utilisent probablement des modèles open source pour cracker des énigmes théoriques. Les deux utilisent de l’apprentissage non supervisé, mais les échelles et les enjeux n’ont rien à voir. C’est comme comparer une mission spatiale et un puzzle du dimanche.
Au final, l’IA en science, c’est un outil puissant mais pas magique. Elle peut aider à trier le signal du bruit, à pointer du doigt des coins inexplorés des données. Mais l’interprétation, la créativité, le « je sais quand je le vois », ça reste humain. Comme le dit Georgia Karagiorgi de Columbia, il faut encore visualiser les données, comprendre ce qu’on cherche, garder un sens de l’anormal. L’IA ne remplace pas le physicien ou le mathématicien ; elle lui donne une loupe plus précise. À condition de ne pas lui confier les clés de la voiture sans savoir conduire.
Et pendant ce temps, Elon Musk tweete probablement que Grok va résoudre la théorie du tout d’ici la fin de l’année. On est bien.
Sources :
Comments are closed