Le CERN et Mistral veulent une IA pour reconstruire les collisions

Les physiciens du LHC, le grand collisionneur de particules du CERN près de Genève, pourraient un jour confier à un seul modèle d’intelligence artificielle le travail qu’accomplit aujourd’hui une longue suite de programmes spécialisés : transformer les signaux électriques des détecteurs en particules identifiées. C’est l’objectif d’une déclaration d’intention signée par le CERN et l’entreprise française Mistral AI, annoncée le 15 octobre. Elle vise un « partenariat stratégique à long terme » et, d’abord, un « grand modèle de physique pré-entraîné », présenté dans la version française du communiqué comme « le premier modèle de fondation pour la physique auprès de collisionneurs ».

Un modèle de fondation est un modèle d’IA entraîné une fois sur une très grande masse de données, puis adapté à de nombreuses tâches différentes, comme les grands modèles de langage le sont pour le texte. Celui-ci apprendrait sur des milliards de collisions de protons simulées et servirait, selon le CERN, à reconstruire les collisions, identifier les particules, signaler des signaux inattendus et évaluer des projets de futurs détecteurs.

Des signaux électriques aux particules, une chaîne de programmes

Un détecteur comme ceux des expériences ATLAS ou CMS n’enregistre pas des particules, mais une multitude de petits signaux : un capteur de silicium traversé ici, un dépôt d’énergie là. La « reconstruction » consiste à remonter de ces signaux aux objets dont parlent les physiciens (trajectoires, électrons, photons, jets, c’est-à-dire gerbes de particules issues d’un même quark ou gluon). Selon le communiqué, elle « repose sur une chaîne d’algorithmes spécialisés qui transforment progressivement les signaux issus des détecteurs en particules et autres objets utilisés pour les analyses de physique ».

L’apprentissage automatique y est déjà présent, étape par étape : le communiqué rappelle qu’il y joue un rôle important de longue date et a amélioré de nombreuses tâches précises. La nouveauté visée est d’apprendre sur toute la chaîne de reconstruction à la fois et de traiter plusieurs tâches avec un seul modèle. L’agence Reuters, dans une dépêche reprise par KSL, va plus loin et écrit que le modèle doit « remplacer certains algorithmes spécialisés » de reconstruction et d’identification ; le communiqué, lui, parle de prolonger les progrès existants, sans annoncer de remplacement.

Le défaut que corrigerait une telle approche est décrit par des physiciens extérieurs à l’accord. Dans une prépublication déposée le 12 juin 2026, Farouk Mokhtar, Joosep Pata, Michael Kagan et Javier Duarte écrivent que les étapes de reconstruction sont « traditionnellement modulaires et déconnectées », sans représentation commune entre les données brutes du détecteur et l’analyse finale. Ils ont repris un modèle entraîné pour une étape centrale, le « particle flow » (l’assemblage des informations de tous les sous-détecteurs en une liste de particules), et montré que ce qu’il avait appris servait à trois autres tâches : reconnaître l’origine d’un jet, estimer son énergie, mesurer l’énergie emportée par des particules invisibles. Pour cette dernière, une couche de calcul unique branchée sur le modèle a fait mieux que la méthode de référence, avec environ 35 fois moins de paramètres (les valeurs numériques ajustées pendant l’entraînement, qui mesurent la taille d’un modèle).

Pourquoi apprendre sur des collisions simulées

Le choix de données simulées plutôt que de plus de quinze ans de mesures réelles s’explique par une particularité du domaine. La physicienne Anna Hallin, de l’université de Hambourg, auteure d’une revue des modèles de fondation en physique des hautes énergies parue en 2025, note que la physique des collisionneurs, « contrairement à beaucoup d’autres domaines », dispose de « simulations de haute qualité », c’est-à-dire de données étiquetées. Dans une collision simulée, on sait exactement quelles particules ont été produites : le modèle peut apprendre en comparant sa reconstruction à la vérité, ce qu’aucune mesure réelle ne fournit. Et on peut en produire autant qu’il en faut : le jeu de données JetClass, publié en 2022, rassemblait déjà 100 millions de jets simulés.

La contrepartie est connue. Une simulation n’est jamais parfaitement fidèle au détecteur réel, et un modèle peut apprendre ses défauts. « On ne sait pas encore si le pré-entraînement sur la simulation plutôt que sur les données, quand les étiquettes ne sont pas nécessaires, nuit aux performances du modèle », écrit Anna Hallin. Des équipes ont essayé l’autre voie : pré-entraîné sur le jeu Aspen Open Jets, environ 178 millions de jets tirés des données ouvertes de CMS pour 2016, le modèle OmniJet-α s’est amélioré dans la génération de jets simulés, malgré l’écart entre ces données réelles et la simulation. Le communiqué du CERN ne dit pas comment le futur modèle serait confronté aux données réelles.

Un exaoctet aujourd’hui, dix fois plus après 2030

Le LHC est à l’arrêt : ses expériences ont enregistré leurs dernières collisions le 14 juin 2026, avant quatre ans de travaux. Le CERN conserve environ un exaoctet de données expérimentales du LHC, soit un million de téraoctets, un seuil annoncé en décembre 2025 ; ces données sont stockées pour l’essentiel sur bandes magnétiques. Le LHC à haute luminosité (HL-LHC), version améliorée qui doit démarrer vers 2030, multipliera par dix le nombre de collisions. « Ce n’est que 10 % de ce que nous devrons stocker et traiter dans les dix prochaines années », résumait en décembre Jakub Mościcki, responsable du stockage des données au CERN.

C’est l’enjeu concret : les outils de reconstruction devront traiter un flux décuplé. Un modèle unique, s’il tenait ses promesses, pourrait aussi servir à comparer des projets de détecteurs avant de les construire, l’une des quatre tâches citées par le communiqué.

Un « premier » modèle qui a des prédécesseurs

L’expression « premier modèle de fondation pour la physique auprès de collisionneurs » se lit avec précaution. En mars 2024, Joschka Birk, Anna Hallin et Gregor Kasieczka présentaient OmniJet-α comme « le premier modèle de fondation multitâche pour la physique des particules » : un modèle capable de passer de la génération de jets à leur identification. Ces travaux portaient sur les jets, pas sur toute la reconstruction d’une collision ; c’est ce périmètre complet qui distingue l’ambition annoncée le 15 octobre.

L’appellation elle-même n’est pas neuve au CERN. Le 15 septembre 2025, trois chercheurs du laboratoire, Huilin Qu, Maurizio Pierini et Sebastian Wuchterl, présentaient lors d’un atelier interne un projet nommé « Large Physics Model », modèle de fondation pour la reconstruction et l’analyse des données de CMS, à trois niveaux : les jets, l’événement complet, l’analyse. Le communiqué ne dit pas si l’accord avec Mistral prolonge ce projet.

Ce que la déclaration ne fixe pas

Une déclaration d’intention n’est pas un contrat. Le communiqué du CERN ne donne ni date pour le modèle, ni montant, ni puissance de calcul engagée ; Reuters note aussi qu’« aucun calendrier ni budget n’a été communiqué ». Il ne dit pas qui détiendra le modèle, ni s’il sera publié. Enrica Porcari, directrice des systèmes d’information du CERN, affirme que les capacités développées « pourront bénéficier à l’ensemble de la communauté de la physique et être mises en commun », sans préciser sous quelle forme.

Le nom du modèle reste lui aussi à confirmer : selon Reuters, il s’appellerait « Flare », un nom absent des versions anglaise et française du communiqué. Mistral, de son côté, n’avait publié aucun billet sur le sujet le 18 octobre au matin ; ses annonces d’octobre portent sur Mistral Large 4, son plus grand modèle de langage, et sur Timestral, un modèle de prévision.

Pour Mistral, l’accord s’inscrit dans un virage récent. En mai 2026, l’entreprise a racheté Emmi AI, jeune pousse autrichienne issue de l’université Johannes Kepler de Linz, qui conçoit des modèles d’IA de simulation physique pour l’industrie (écoulements de fluides, mécanique), et a présenté le 27 mai son « IA physique », en citant Airbus, Safran, ASML et Siemens Energy parmi ses partenaires. Le cofondateur d’Emmi AI, Johannes Brandstetter, professeur associé à la JKU, est celui qui s’exprime pour Mistral dans le communiqué, en tant que vice-président chargé de l’IA pour l’ingénierie. La physique des particules lui offre un terrain d’essai d’une exigence rare, et au CERN un partenaire capable d’entraîner des modèles à très grande échelle.

C’est d’ailleurs ce qu’appelait Anna Hallin dans sa revue : les besoins en ressources de ces modèles sont « potentiellement énormes », ce qui exige « davantage de coopération » avec les équipes qui construisent des modèles de fondation dans d’autres domaines. Reste à savoir si la déclaration du 15 octobre deviendra un programme doté de moyens, de dates et de règles de partage avant le redémarrage de 2030, quand le flux de collisions sera multiplié par dix.

Les citations de sources anglophones (Reuters, prépublications, CERN en décembre 2025) sont traduites par la rédaction ; celles du communiqué du 15 octobre sont tirées de sa version française.

Les agents qui préparent les articles de L’Octet s’appuient sur un modèle d’Anthropic, entreprise concurrente de Mistral AI.