Am 21.10.2026 haben CERN und das französische KI-Unternehmen Mistral eine Absichtserklärung für eine langfristige strategische Partnerschaft unterzeichnet. Ihr gemeinsames Vorhaben: ein vortrainiertes großes Physikmodell, ein sogenanntes „Large Physics Model“, zur Analyse von Teilchenkollisionen. Reuters bezeichnete das geplante Modell am selben Tag als „Flare“.

Die Idee klingt gewaltig, ist aber ziemlich konkret: Trainiert werden soll das Modell mit Milliarden simulierten Proton-Proton-Kollisionen am Large Hadron Collider (LHC). Dort prallen Protonen mit hoher Energie aufeinander, während Detektoren die entstehenden Teilchensignale registrieren. Aus diesen Signalen rekonstruieren spezialisierte Algorithmen unter anderem Teilchenspuren, Eigenschaften der Teilchen und ihre Energien.

Ein Modell für mehrere Schritte

Heute läuft diese Rekonstruktion über eine Kette spezialisierter Algorithmen. Maschinelles Lernen kommt dabei bereits bei einzelnen Schritten zum Einsatz. Flare soll Informationen aus verschiedenen Stufen zusammenführen und mehrere Aufgaben in einem System bearbeiten: Kollisionsereignisse rekonstruieren, Teilchen identifizieren, ungewöhnliche oder unerwartete Signale erkennen und künftige Detektorkonzepte beziehungsweise -designs bewerten.

Ein Grundlagenmodell könnte die bisherige Verarbeitungskette also durchgängig abbilden. Ob es spezialisierte Algorithmen tatsächlich ergänzt oder teilweise ersetzt, ist allerdings offen. Auch Anwendungen außerhalb der Hochenergiephysik sind laut CERN möglich, aber keineswegs zugesichert.

Die Rollen sind klar verteilt: CERN bringt Fachwissen in Grundlagenphysik, wissenschaftlicher Datenverarbeitung und Hochleistungsrechnen ein. Mistral steuert seine Erfahrung beim Training grosser KI-Modelle bei. Laut CERN-CIO Enrica Porcari bietet die Hochenergiephysik ein Umfeld, in dem KI unter hoher wissenschaftlicher Strenge entwickelt und getestet werden kann.

Hier könnte Ihr Advertorial stehen
Ein Advertorial bietet Unternehmen die Möglichkeit, ihre Botschaft direkt im redaktionellen Umfeld zu platzieren

Datenmenge wächst weiter

Seit Beginn der LHC-Experimente hat CERN rund ein Exabyte experimenteller Messdaten gespeichert – etwa eine Million Terabyte. Mit dem Ausbau zum High-Luminosity LHC (HL-LHC) wird diese Menge deutlich steigen. Der Betrieb soll etwa 2030 beginnen; über seine Laufzeit soll der HL-LHC rund zehnmal so viele Kollisionen ermöglichen, wie ursprünglich für den LHC vorgesehen waren. Die Kollisionsrate soll sich dabei ungefähr verfünffachen.

CERN will den HL-LHC zur Entwicklung und Erprobung neuer KI-Verfahren nutzen. Einen konkreten Zeitplan oder ein Budget für das neue Modell gibt es bisher nicht. Veröffentlicht wurden auch keine Angaben zu Laufzeit, Finanzierung oder konkreten Ergebnissen. Die Vereinbarung ist zunächst nur eine Absichtserklärung.

Ein enger gefasster Vorläufer kommt aus Hamburg: 2024 stellte die Universität Hamburg das Foundation Model „OmniJet-α“ vor. Es kann Teilchenjets simulieren und klassifizieren. Flare soll weiter greifen und als erstes Grundlagenmodell für die Physik von Teilchenkollisionen mehrere Analyseaufgaben verbinden.

Was der CMS-Algorithmus schon zeigt

Wie leistungsfähig lernende Verfahren bei solchen Aufgaben sein können, zeigt der Machine-Learning-Particle-Flow-Algorithmus (MLPF), den Forscher am CERN für das CMS-Experiment entwickelt haben. Er rekonstruiert Kollisionen am LHC schneller und präziser als bisherige regelbasierte Verfahren. Statt ausschliesslich fest programmierte Regeln abzuarbeiten, lernt MLPF aus simulierten Kollisionen und erkennt Muster in verschiedenen Detektorschichten.

Bei Teilchenjets aus Top-Quarks stieg die Präzision in wichtigen Energiebereichen um 10 bis 20 Prozent. Weil der Algorithmus für Grafikkarten (GPUs) optimiert ist, arbeitet er schneller als traditionelle, CPU-basierte Methoden. MLPF rekonstruiert erstmals ein komplettes Kollisionsereignis von Grund auf und kombiniert Informationen aller Detektorkomponenten.

Bisher wurde maschinelles Lernen am CERN vor allem für Triggersysteme und die Identifikation bestimmter Teilchenobjekte eingesetzt. Die neue Methode soll Analysen zur Überprüfung des Standardmodells und die Suche nach bislang unbekannter Physik unterstützen. Noch während der dritten LHC-Laufzeit könnte MLPF unter anderem präzisere Messungen des Higgs-Bosons ermöglichen.

Für die Hochluminositätsphase erwarten die Entwickler, dass lernfähige Algorithmen bei der Datenanalyse weiter an Bedeutung gewinnen. Flare wäre dann ein deutlich umfassenderer Versuch: nicht nur ein Werkzeug für einen einzelnen Rekonstruktionsschritt, sondern ein Modell, das den Weg vom simulierten Zusammenstoss bis zur physikalischen Auswertung möglichst weit mitträgt – Milliarden Kollisionen lang.