Neutrinos : à l'ETH, une IA apprend d'abord à compléter des traces

Des physiciens de l'ETH Zurich ont conçu un entraînement en deux étapes pour une IA qui interprète les interactions de neutrinos. La méthode réduit fortement le besoin d'exemples annotés, mais elle n'a pas encore été validée sur des données expérimentales.

Au CERN, le détecteur FASERCal, proposé pour l'expérience FASER en 2030, contiendra 480 000 cubes de plastique et produira des images 3D enchevêtrées.

L'équipe d'André Rubbia a d'abord entraîné son modèle sur des données dont 75 % des traces avaient été masquées au hasard, qu'il devait reconstituer sans étiquettes, comme un modèle de langage complète un texte à trous. Il a ensuite été affiné sur des événements annotés.

Selon l'ETH, les modèles pré-entraînés ont fait mieux dans chaque tâche et ont demandé de dix à mille fois moins de données que des modèles entraînés de zéro. L'article publié mesure environ un facteur dix pour identifier le type de neutrino.

Limite : le modèle a été entraîné sur des simulations et reste à valider sur de vraies données.

Sources principales

• ETH Zurich, communiqué du Département de physique, 2 novembre 2026.
• Nature Machine Intelligence, article de l'équipe, 30 septembre 2026.

Brève Café Croissant. Résultats non reproduits par LEMOVIA.