Le CERN et Mistral AI ont signé un accord de principe pour construire Flare, présenté comme le premier modèle de fondation destiné à la physique des collisionneurs. Au lieu d’apprendre sur des milliards de phrases, cette IA sera entraînée sur des milliards de collisions proton-proton simulées. Son objectif n’est pas de rédiger des textes, mais de reconstruire les événements détectés par le Grand collisionneur de hadrons, d’identifier les particules et de signaler des phénomènes inattendus.
Un modèle unique à la place d’une chaîne d’algorithmes
Lorsqu’une collision se produit dans le LHC, les détecteurs n’affichent pas directement une liste de particules exploitable par les chercheurs. Ils enregistrent une multitude de signaux bruts qu’une chaîne de logiciels transforme progressivement en trajectoires, en dépôts d’énergie puis en objets physiques identifiables. Chaque étape repose aujourd’hui sur des algorithmes spécialisés, dont plusieurs utilisent déjà l’apprentissage automatique.
Flare doit apprendre des représentations communes à l’ensemble de cette chaîne. Le principe est comparable à celui d’un grand modèle de langage capable d’exécuter plusieurs tâches à partir d’un même apprentissage général, mais le vocabulaire est ici constitué par les caractéristiques des collisions et les réponses des détecteurs. Le CERN espère utiliser ce socle pour la reconstruction, l’identification de particules, la détection de signaux atypiques et l’évaluation de futurs détecteurs.
Cette polyvalence pourrait limiter la multiplication de modèles indépendants, chacun exigeant sa préparation, ses validations et sa maintenance. Elle ne supprime toutefois pas le besoin de contrôles physiques. Une IA peut reproduire les biais d’une simulation, apprendre des raccourcis non pertinents ou manquer un phénomène différent de ses données d’entraînement. Les chercheurs devront donc mesurer ses incertitudes et vérifier ses résultats face aux méthodes établies.
Le LHC offre une échelle inhabituelle pour l’IA scientifique
Le laboratoire européen possède environ un exaoctet de données expérimentales issues du LHC, soit un million de téraoctets. Ce volume ne sera pas injecté indistinctement dans le modèle : le projet commencera par des événements simulés, pour lesquels la nature des particules produites est connue. Cette vérité de référence permet d’apprendre la relation entre ce qui se passe lors d’une collision et ce que les détecteurs mesurent.
Le défi va s’amplifier avec le HL-LHC, la version à haute luminosité de l’accélérateur. Le CERN attend environ dix fois plus de collisions lorsque cette phase entrera en service autour de 2030. Cette échéance donne au projet une utilité opérationnelle : les outils d’analyse doivent progresser avant que l’accumulation des données ne rende les chaînes actuelles plus coûteuses à exploiter. Nous avions déjà détaillé l’arrêt du LHC et sa transformation jusqu’en 2030.
Le partenariat réunit les données, les infrastructures de calcul et l’expertise physique du CERN avec le savoir-faire de Mistral dans l’entraînement de grands modèles. Le laboratoire français a récemment dévoilé Mistral Large 4 et ses 1 000 milliards de paramètres, mais aucune taille ni architecture n’a été annoncée pour Flare. Un modèle scientifique n’a d’ailleurs pas besoin de reprendre l’échelle d’un assistant généraliste : la qualité de la représentation et la précision mesurable comptent davantage que le nombre brut de paramètres.
Une ambition européenne, encore sans calendrier
Le communiqué parle d’un partenariat stratégique de long terme et d’outils destinés à être partagés avec l’ensemble de la communauté de physique. Cette orientation est importante, car les logiciels du CERN circulent entre de nombreuses institutions. Elle soulève aussi des questions encore ouvertes sur les poids du modèle, les données accessibles, les licences et les ressources informatiques nécessaires pour l’utiliser hors du laboratoire.
Le nom de modèle de fondation ne garantit pas automatiquement une découverte. Flare devra d’abord montrer qu’il atteint ou dépasse la précision d’algorithmes optimisés pendant des années, tout en restant suffisamment explicable pour une discipline où une anomalie statistique peut déclencher des mois de vérifications. Son intérêt pourrait également se mesurer dans la conception des instruments, en simulant la manière dont différentes géométries de détecteurs reconstruiraient un même événement.
Le CERN et Mistral envisagent que les méthodes développées dépassent ensuite la physique des hautes énergies. Des domaines travaillant sur de grands volumes de mesures structurées pourraient profiter des mêmes principes, mais cette extension reste une intention et non un résultat acquis. Les deux partenaires n’ont communiqué ni budget, ni puissance de calcul prévue, ni date de première version.
Enrica Porcari, directrice des systèmes d’information du CERN, pilote le volet institutionnel annoncé, tandis que Johannes Brandstetter, vice-président de l’IA pour l’ingénierie chez Mistral, représente le laboratoire français. L’accord signé le 15 octobre est une déclaration d’intention : il ne fixe encore aucune échéance contractuelle de livraison pour Flare.
