CERN und Mistral planen ein Large Physics Model für den LHC

CERN, das europäische Labor für Teilchenphysik, und das französische KI-Unternehmen Mistral AI haben am 15. Oktober 2026 vereinbart, KI-Grundlagenmodelle für die Wissenschaft zu bauen. Ihr erstes Projekt ist ein Large Physics Model (großes Physikmodell). Es wird mit Milliarden simulierter Teilchenkollisionen aus dem Large Hadron Collider trainiert. Das ist wichtig, weil die Physik bald weit mehr Daten erzeugen wird, als die heutigen Werkzeuge bewältigen sollten. Die beiden Seiten wollen viele spezialisierte Modelle durch ein allgemeines ersetzen.

Was unterzeichnet wurde

Die beiden Seiten haben eine Absichtserklärung für eine langfristige strategische Partnerschaft unterzeichnet, heißt es in der Ankündigung des CERN. Das ist ein Plan zur Zusammenarbeit, kein Vertrag mit fester Finanzierung. Reuters berichtet, dass keine Seite einen Zeitplan oder ein Budget genannt hat.

Ein Grundlagenmodell ist ein großes KI-Modell, das einmal mit einer riesigen Datenmenge trainiert und dann für viele verschiedene Aufgaben wiederverwendet wird. Das CERN nennt das Large Physics Model das erste Grundlagenmodell für die Kollisionsphysik.

Was das Large Physics Model leisten soll

Das Modell wird mit Milliarden simulierter Proton-Proton-Kollisionen am LHC trainiert, dem größten Teilchenbeschleuniger der Welt. Das CERN nennt vier Aufgaben dafür:

• Kollisionen rekonstruieren, also aus den Signalen der Detektoren ermitteln, was passiert ist.
• Teilchen identifizieren, die aus jeder Kollision hervorgehen.
• Unerwartete Signale markieren, die auf neue Physik hindeuten könnten.
• Entwürfe bewerten für künftige Detektoren.

Heute nutzt jede dieser Aufgaben einen eigenen spezialisierten Algorithmus. Reuters berichtet, dass das Large Physics Model sie ersetzen soll. Die Modelle könnten später auch anderen Wissenschaften dienen.

Die beiden Seiten teilen sich die Arbeit. Das CERN bringt seine Expertise in Physik, wissenschaftliche Daten und Rechenleistung in großem Maßstab ein. Mistral bringt seine Erfahrung beim Training großer Modelle ein, so das CERN.

Warum die Physik das braucht

Das Datenproblem wird bald größer. Laut CERN haben die LHC-Experimente bisher rund ein Exabyte an Daten gespeichert, etwa eine Million Terabyte. Der High-Luminosity LHC, ein Ausbau, der um 2030 starten soll, wird die Zahl der Kollisionen verzehnfachen.

„Die Hochenergiephysik bietet ein einzigartiges Umfeld, in dem künstliche Intelligenz entwickelt und getestet werden kann“, sagte Enrica Porcari, Chief Information Officer des CERN. Johannes Brandstetter, Vice-President of AI for Engineering bei Mistral AI, sagte, das Unternehmen sei „stolz, mit dem CERN zu erkunden, was große KI-Modelle leisten können“.

Die Vereinbarung baut auf Gesprächen auf, die bis ins Jahr 2025 zurückreichen, berichtet Crypto Briefing. Sie kommt wenige Tage, nachdem Mistral eine Vorschau auf Mistral Large 4 gezeigt hat, ein Modell mit rund einer Billion Parametern. Das CERN hat nicht gesagt, von welchem Mistral-Modell die Physikarbeit ausgehen wird, falls überhaupt von einem.

Was das für Entwickler bedeutet

Für Fachleute im maschinellen Lernen testet das Projekt, ob ein vortrainiertes Modell viele aufgabenspezifische Modelle schlagen kann, in einem Feld mit strengen Anforderungen an die Genauigkeit. Wenn es funktioniert, könnte derselbe Ansatz andere Bereiche mit riesigen Sensordaten erreichen, etwa Astronomie, Klima oder medizinische Bildgebung.

Teams, die wissenschaftliche Software bauen, sollten beobachten, wie das CERN die Ergebnisse teilt. Das CERN hat schon früher auf offene Software gesetzt: Letzten Monat hat es 2.200 Industrierechner auf Debian umgestellt. Keine der beiden Seiten hat gesagt, ob die Gewichte des Large Physics Model offen sein werden. Das ist deshalb die wichtigste Frage.

Für Organisationen in Europa, die KI einkaufen, zeigt die Vereinbarung, dass Mistral um öffentliche Forschungseinrichtungen wirbt, nicht nur um Unternehmen.

Es gibt noch keine Ergebnisse und keine Termine. Achten Sie auf das erste technische Paper. Es wird zeigen, wie das Modell im Vergleich zu den Algorithmen abschneidet, die es ersetzen soll.