La physique des particules a un problème de données dont la plupart des domaines ne peuvent que rêver. Au CERN, le laboratoire européen près de Genève, le Grand collisionneur de hadrons projette des protons les uns contre les autres des milliards de fois, et chaque collision laisse une gerbe de particules que les détecteurs enregistrent avec précision. Le 15 octobre 2026, le CERN et l’entreprise française Mistral AI ont annoncé un partenariat stratégique de long terme, formalisé par une déclaration d’intention, pour construire un nouveau type de modèle. Son nom : Flare. Les partenaires le présentent comme le premier modèle de fondation pour la physique des collisionneurs.
Ils parlent d’un grand modèle de physique. La formule compte. Au lieu d’entraîner un système sur du texte ou des images, le projet prévoit d’entraîner Flare sur des milliards de collisions proton-proton simulées au LHC. L’objectif est un modèle unique qui comprend assez bien les collisions pour aider sur l’ensemble du travail, depuis la reconstruction de ce qui s’est passé dans un détecteur jusqu’à la recherche d’un signal que personne n’attendait.
Un seul modèle, plusieurs métiers
Aujourd’hui, les physiciens s’appuient sur une chaîne d’algorithmes spécialisés. Un outil reconstruit une collision. Un autre identifie les particules. Un troisième cherche les signaux qui se détachent du bruit de fond. Chaque outil fait bien sa part, mais la chaîne est longue, et chaque maillon a été construit pour une tâche étroite.
Flare doit soutenir ces tâches au même endroit : reconstruire les collisions, identifier les particules, signaler les événements inattendus et aider les chercheurs à évaluer des projets de futurs détecteurs. Si le projet tient ses promesses, un physicien pourra tester une idée de détecteur face à un modèle qui possède déjà une connaissance profonde du comportement des collisions, au lieu de repartir à chaque étude d’un ensemble d’outils plus restreint.
Pourquoi le CERN est un test exigeant
Enrica Porcari, directrice de l’informatique du CERN, a expliqué que ce partenariat ferait progresser des capacités d’intelligence artificielle au service de toute la communauté des physiciens, avec une volonté de partage. Elle a aussi décrit la physique des hautes énergies comme un environnement de test particulièrement rigoureux. Elle a raison. La physique ne note pas avec indulgence. Un modèle correspond aux données ou il ne correspond pas, et ces données sont précises, abondantes et sans pitié.
Considérez l’échelle. Le CERN conserve environ un exaoctet de données expérimentales du LHC, soit un million de téraoctets. Dans une archive pareille, une petite erreur répétée assez souvent peut masquer un signal réel ou en inventer un faux. Un modèle entraîné et testé dans ce cadre doit gagner la confiance lentement, en réussissant les cas difficiles.
La pression ne fera que croître. Le CERN prévoit que le volume de collisions sera multiplié par dix après la mise à niveau du LHC, autour de 2030. Plus de collisions signifie plus de chances de trouver des événements rares, et aussi beaucoup plus de données à trier avant qu’un humain les voie. Des outils capables d’aider à ce tri, sans émousse le regard pour l’événement singulier qui compte, vaudront très cher.
Ce souci de mesure patiente évoque d’autres travaux suivis par notre rédaction, comme la Haute Côte suédoise, ce littoral qui continue de sortir lentement de la mer et que les scientifiques observent année après année avec la même constance.
Ce que Mistral apporte
Mistral AI est l’entreprise française à l’origine d’une famille de modèles de langage. Son directeur général, Arthur Mensch, a été direct sur la direction que prend la science. Dans Le Monde, il a écrit que les modèles les plus avancés sont désormais indispensables au progrès scientifique. Flare fait sortir cet argument de la fenêtre de discussion pour l’emmener dans une salle de détecteurs.
Les questions pratiques restent ouvertes. Aucun des deux partenaires n’a communiqué de calendrier ni de budget, et il faut garder ces deux faits en tête. Une déclaration d’intention est un départ, pas un produit fini. Pas de date annoncée pour une première version, pas de prix public, pas encore de référence publiée pour juger le modèle face aux algorithmes spécialisés qu’il pourrait un jour soutenir.
Un outil partagé, si les partenaires livrent
Il y a aussi une histoire plus discrète, celle de l’accès. Les grandes expériences produisent de grandes données, et tous les groupes universitaires ne peuvent pas construire leur propre modèle à partir de zéro. Un modèle de fondation partagé, entraîné sur des collisions simulées et mis à disposition de la communauté, pourrait permettre à de petites équipes de poser de grandes questions. Un doctorant avec une bonne idée et un ordinateur portable pourrait tester cette idée face à un système entraîné sur des milliards d’événements.
Voilà la promesse. La preuve viendra du travail peu spectaculaire qui commence : sessions d’entraînement, tests de validation, comparaisons côte à côte avec les outils auxquels les physiciens font déjà confiance. Le CERN et Mistral ont affiché leur intention. Flare doit maintenant montrer, collision après collision, qu’un seul grand modèle peut vraiment aider au travail de nombreux petits, et peut-être capter le signal unique, sur un milliard, qui change ce que nous pensons savoir. Pour la science européenne, et pour une entreprise française en première ligne, l’enjeu dépasse largement un seul laboratoire.
À lire aussi sur Le Miroir Français : la nuit des jeunes mécènes du New York City Ballet, rendez-vous de culture et de générosité, un autre récit récent qui prolonge, à sa manière, le plaisir de cette lecture.