Des chercheurs du DPhN de l’Irfu (CEA), en collaboration avec la collaboration internationale MAP (Analyses Multidimensionnelles des Distributions Partoniques), ont développé une nouvelle méthode basée sur des réseaux de neurones pour déterminer la structure dépendante de l’impulsion transverse (TMD) du proton. La description théorique de la dynamique tridimensionnelle des quarks et des gluons repose sur deux composantes : une partie calculable dans le cadre de la Chromodynamique Quantique (QCD), et une partie qui englobe la structure 3D du nucléon, décrite en termes de TMD. Cette dernière ne peut pas être calculée analytiquement ou numériquement à l’heure actuelle mais il est possible de remonter jusqu’à elles en analysant les données expérimentales.
La nouvelle approche combine des outils d’IA, des outils théoriques de pointe et des techniques statistiques modernes afin d’extraire ces distributions partoniques (quarks et gluons) avec une précision inédite. Cette approche permet de capturer des caractéristiques subtiles de la structure hadronique que les modèles traditionnels pourraient négliger. Les physiciens sont ainsi venus à bout des tensions entre notre compréhension des processus expérimentaux physiques décrivant le proton et les données mesurées à ATLAS au LHC. En effet, l’écart entre les prédictions théoriques et les données (du processus Drell-Yan mesurées par la collaboration Atlas et présentée figure 2) a été considérablement réduit. Ceci ouvre la voie à une détermination de la structure du nucléon dans l’espace des impulsions d’une précision inégalée.
Cette avancée illustre la synergie croissante entre la physique hadronique et l’intelligence artificielle, et marque une étape importante vers une cartographie tridimensionnelle de plus en plus précise de la matière à l’échelle la plus fondamentale.
La nouvelle méthode consiste à entrainer un réseau de neurones directement sur des mesures expérimentales du processus de Drell-Yan (voir Fig. 1), une réaction clé dans laquelle un quark et un antiquark s’annihilent pour produire une paire de leptons. En entrainant la composante TMD non perturbative à partir des données, la paramétrisation par réseau de neurones permet de capturer des caractéristiques subtiles de la structure hadronique que les modèles traditionnels pourraient négliger. Cette paramétrisation par réseau de neurones est combinée à des calculs théoriques de pointe et à des outils statistiques avancés, permettant une extraction plus fiable des TMD à partir d’un large ensemble de mesures recueillies dans les collisionneurs passés et modernes, tels que le Grand Collisionneur de Hadrons (LHC) au CERN.
Cette étude démontre que les réseaux de neurones offrent une flexibilité et une sensibilité aux effets non perturbatifs significativement supérieures aux paramétrisations traditionnelles. Pour étayer cette affirmation, la figure 2 présente une comparaison entre les données recueillies par l’expérience ATLAS au LHC et les prédictions obtenues à l’aide d’une paramétrisation par réseau de neurones (NN) et d’une paramétrisation plus classique (MAP22). Ce graphique montre que le réseau de neurones fournit une description plus précise des données expérimentales et permet un meilleur contrôle des incertitudes. Cela est également démontré par le fait que le χ2 par point de données pour les données ATLAS produit par la paramétrisation NN est nettement inférieur à celui de la paramétrisation MAP22 (1,38 contre 3,51). Cela s’avère essentiel pour les efforts actuels et futurs, y compris ceux liés au futur collisionneur électron-ion (EIC), visant à établir une image précise et exhaustive de la dynamique des partons.
D’un point de vue calculatoire, ce travail s’appuie sur NangaParbat [2], un cadre de travail open source développé par des chercheurs du DPhN au CEA-Irfu. Cet environnement haute performance, l’un des rares outils dédiés à la phénoménologie TMD, offre une excellente efficacité et une grande extensibilité.
Cette avancée illustre la synergie croissante entre la physique hadronique et l’intelligence artificielle, et marque une étape importante vers une cartographie tridimensionnelle de plus en plus précise de la matière à l’échelle la plus fondamentale.
Contact: Valerio BERTONE (Irfu/DPhN)
[1] A. Bacchetta, V. Bertone, C. Bissolotti, M. Cerutti, M. Radici, S. Rodini, L. Rossi, « A Neural-Network Extraction of Unpolarised Transverse-Momentum-Dependent Distributions », MAP Collaboration, Physical Review Letters 135 (2025) 2, 021904.