Apprentissage des sources émettrices d’hadrons avec des réseaux neuronaux profonds

Regarder à l’intérieur de minuscules feux d’artifice cosmiques

Lorsque des protons se heurtent presque à la vitesse de la lumière, ils donnent naissance à une minuscule boule de feu éphémère composée de nouvelles particules. Cachée dans cette explosion subatomique se trouve l’information sur l’une des forces les plus fondamentales de la nature : la force forte qui colle la matière. Cet article montre comment les techniques modernes d’apprentissage profond peuvent lire des motifs subtils dans les données issues de ces collisions pour révéler où et comment les particules sont engendrées — fournissant de nouveaux indices sur le comportement de la matière dans des environnements extrêmes comme les étoiles à neutrons.

Pourquoi les distances infimes comptent

La force nucléaire forte maintient protons et neutrons liés au sein des noyaux atomiques et façonne tout, des atomes ordinaires aux cœurs denses des étoiles mortes. Les physiciens ont cartographié assez bien la force entre deux protons, en s’appuyant sur des décennies d’expériences de diffusion et de modèles théoriques. Mais les interactions impliquant des particules plus exotiques, comme les hyperons (qui contiennent des quarks étranges), restent bien plus incertaines. Ces particules rares sont difficiles à étudier directement, et pourtant elles influent fortement sur le comportement de la matière à des densités extrêmes. Pour en apprendre davantage, les chercheurs recourent aux collisions à haute énergie dans les accélérateurs, où des paires de particules fugaces sont produites en grand nombre.

Utiliser des ondulations quantiques comme microscope

Dans ces expériences, les scientifiques ne voient pas directement les lieux de naissance des particules. Ils mesurent plutôt la fréquence à laquelle des paires de particules émergent avec des moments relatifs différents — essentiellement à quel point leurs trajectoires sont corrélées. Une technique appelée femtoscopy, inspirée d’une idée de l’astronomie radio, relie ces corrélations à la fois aux forces entre les particules et à la forme de la région d’où elles sont émises. Traditionnellement, les analyses supposaient que cette région d’émission ressemblait à un nuage lisse en forme de cloche. Toutefois, des études antérieures laissaient entendre que la réalité est plus désordonnée : les désintégrations de particules intermédiaires de courte durée peuvent créer de longues « queues » loin du centre, ce qui signifie que la source réelle peut s’écarter fortement de la forme en cloche.

Laisser les données dessiner leur propre image

Les auteurs développent une nouvelle méthode fondée sur les données pour inférer la région d’émission sans présupposer sa forme. Ils partent de modèles du force proton–proton bien éprouvés et les utilisent pour calculer comment une source hypothétique affecterait les corrélations observées. Plutôt que de choisir une formule simple pour la source, ils la représentent par un réseau neuronal profond qui prend la distance en entrée et fournit la probabilité qu’une paire de protons provienne de cette séparation. En différentiant automatiquement l’intégralité du calcul, ils ajustent les paramètres internes du réseau pour que la courbe de corrélation prédite corresponde le plus fidèlement possible aux mesures expérimentales, tout en imposant des contraintes physiques de base telles que la régularité et la non-négativité.

Découvrir une source à longue queue

Lorsque cette source basée sur réseau neuronal est comparée au modèle conventionnel en cloche, elle offre une description nettement meilleure des données de corrélation proton–proton du Grand collisionneur de hadrons. La source retrouvée présente une queue longue portée prononcée : la plupart des protons naissent toujours dans une région centrale compacte, mais une fraction significative semble provenir de distances beaucoup plus grandes. Ce schéma s’accorde naturellement avec l’idée que de nombreux protons sont créés indirectement, via des résonances de courte durée qui parcourent une certaine distance avant de se désintégrer. Fait crucial, le réseau met au jour cette structure directement à partir des données, sans que les chercheurs aient à deviner quelles résonances sont impliquées ni combien elles sont.

Explorer la matière étrange avec une nouvelle lentille

Parce que les hyperons et les protons ont des masses et des contenus en quarks semblables, l’équipe peut réutiliser le profil d’émission de protons appris pour analyser des paires proton–hyperon. En combinant la source déterminée par les données avec un modèle de la force proton–Lambda, ils trouvent que les corrélations expérimentales favorisent un potentiel attractif relativement peu profond — cohérent avec des résultats préliminaires issus de simulations sur réseau en théorie quantique des champs (chromodynamique quantique) effectuées à partir de principes premiers. Cette approche offre donc une nouvelle manière, en grande partie dénuée d’hypothèses, de contraindre des interactions mal connues dans le secteur fort. En termes simples, l’étude montre que l’apprentissage profond peut transformer des ondulations quantiques subtiles en une image claire des lieux de naissance des particules, affinant notre vision de la force forte et ouvrant la voie à de futures cartes tridimensionnelles de la région émettrice de particules dans les collisions d’ions lourds.

Citation: Wang, L., Zhao, J. Learning hadron emitting sources with deep neural networks. Commun Phys 9, 90 (2026). https://doi.org/10.1038/s42005-026-02530-w

Mots-clés: force nucléaire forte, apprentissage profond, collisions à haute énergie, femtoscopie, interaction hyperon-nucléon