Media Solo mencatat penggunaan kecerdasan buatan kini mulai masuk lebih dalam ke riset fisika fundamental setelah CERN dan Mistral AI mengumumkan kerja sama jangka panjang untuk mengembangkan Flare, sebuah foundation model yang dirancang khusus untuk fisika tumbukan partikel. Model tersebut akan dilatih menggunakan miliaran simulasi tabrakan proton dari Large Hadron Collider atau LHC agar dapat membantu ilmuwan memahami data eksperimen dengan cara yang lebih cepat dan lebih terpadu.
Kerja sama tersebut diumumkan pada 15 Oktober 2026.
CERN selama ini dikenal sebagai laboratorium fisika partikel terbesar di dunia.
Sementara Mistral merupakan perusahaan AI asal Prancis yang mengembangkan berbagai model kecerdasan buatan untuk kebutuhan umum maupun industri.
Kolaborasi keduanya menunjukkan bahwa AI tidak lagi hanya digunakan untuk membuat teks, gambar, atau aplikasi bisnis.
Teknologi yang sama mulai diarahkan ke ilmu pengetahuan dasar.
Flare AI untuk Fisika Dirancang sebagai Foundation Model
Flare tidak dibuat seperti chatbot.
Model tersebut akan mempelajari data tumbukan partikel.
Menurut penjelasan resmi mengenai pengembangan AI untuk fisika, model dirancang menjadi foundation model pertama yang berfokus pada collider physics.
Pendekatan foundation model berarti satu sistem dilatih menggunakan data dalam jumlah sangat besar.
Setelah itu, model dapat digunakan untuk berbagai tugas.
Konsep ini mirip dengan large language model yang dapat menulis, menerjemahkan, menganalisis, dan menjawab pertanyaan menggunakan satu fondasi yang sama.
Bedanya, Flare tidak belajar dari teks internet.
Ia belajar dari simulasi fisika.
Miliaran Tumbukan Menjadi Bahan Belajar AI
Large Hadron Collider mempercepat proton hingga mendekati kecepatan cahaya.
Partikel kemudian ditumbukkan.
Tabrakan tersebut menghasilkan jejak berbagai partikel baru.
Detektor merekam informasi dalam jumlah sangat besar.
Masalahnya, sebagian besar tumbukan bukan peristiwa langka yang dicari ilmuwan.
Peneliti harus memilah data untuk menemukan sinyal penting.
Flare akan dilatih menggunakan miliaran tumbukan proton-proton yang disimulasikan.
Simulasi digunakan karena ilmuwan mengetahui karakteristik fisika di dalam data tersebut.
Model kemudian belajar mengenali pola sebelum digunakan pada data eksperimen nyata.
CERN Sudah Menyimpan Data Hampir Satu Exabyte
Skala proyek menjadi menarik karena CERN memiliki salah satu kumpulan data ilmiah terbesar di dunia.
CERN menyebut sekitar satu exabyte data eksperimen LHC telah disimpan.
Satu exabyte setara sekitar satu juta terabyte.
Jumlah tersebut akan terus meningkat.
High-Luminosity LHC atau HL-LHC yang direncanakan mulai beroperasi sekitar 2030 akan menghasilkan jumlah tumbukan jauh lebih besar.
CERN memperkirakan skala data dapat meningkat sekitar sepuluh kali.
Tanpa peningkatan metode analisis, jumlah data yang lebih besar justru dapat menjadi masalah.
AI kemudian dilihat sebagai salah satu cara membantu ilmuwan mengolah informasi tersebut.
Algoritma Saat Ini Masih Terpisah-pisah
Analisis tumbukan partikel tidak dilakukan oleh satu program.
Saat ini terdapat rangkaian algoritma yang bekerja secara berurutan.
Sinyal dari detektor pertama-tama diproses menjadi informasi digital.
Algoritma kemudian mencoba mengidentifikasi lintasan partikel.
Tahapan berikutnya memperkirakan jenis partikel.
Setelah itu, data masuk ke analisis fisika.
Setiap tahap biasanya mempunyai model atau algoritma khusus.
Flare ingin menyatukan lebih banyak tahapan tersebut ke dalam satu foundation model.
Jika berhasil, sistem dapat memahami hubungan antarbagian data secara lebih utuh.
AI Bisa Membantu Menemukan Sinyal Aneh
Salah satu kegunaan paling menarik adalah anomaly detection.
Ilmuwan biasanya mempunyai teori mengenai pola yang ingin dicari.
Namun, penemuan baru tidak selalu sesuai perkiraan.
AI dapat membantu melihat pola yang jarang muncul.
Model yang memahami data tumbukan dalam skala besar berpotensi mengenali sesuatu yang berbeda dari mayoritas kejadian.
Perbedaan tersebut tidak otomatis berarti penemuan partikel baru.
Tetapi sistem dapat memberi tahu peneliti bahwa suatu kelompok data layak diperiksa.
Pendekatan seperti ini penting dalam eksperimen dengan miliaran peristiwa.
Manusia tidak mungkin memeriksa semuanya satu per satu.
Flare Bisa Membantu Mendesain Detektor Masa Depan
Penggunaan AI tidak berhenti pada data LHC saat ini.
CERN juga ingin model membantu mengevaluasi rancangan detektor masa depan.
Detektor fisika partikel merupakan sistem yang sangat kompleks dan mahal.
Perubahan kecil pada posisi sensor dapat memengaruhi kualitas data.
Simulasi digunakan sebelum perangkat dibuat.
Model AI dapat membantu membandingkan berbagai desain secara lebih cepat.
Hal tersebut berpotensi mengurangi waktu penelitian dan biaya eksperimen.
Kerja Sama Ini Menguatkan Posisi AI Eropa
Mistral merupakan salah satu perusahaan AI terbesar dari Eropa.
Kolaborasi dengan CERN memberi perusahaan akses pada data dan masalah ilmiah yang tidak dimiliki kebanyakan pengembang AI.
Di sisi lain, CERN memperoleh keahlian pengembangan model skala besar.
Dalam pembahasan tentang kemitraan AI ilmiah ini, kerja sama tersebut juga dipandang sebagai bagian dari upaya Eropa memperkuat kemampuan AI sendiri.
Saat ini, sebagian besar model AI paling populer dikembangkan perusahaan Amerika Serikat.
Eropa mencoba membangun jalur alternatif melalui perusahaan dan institusi riset domestik.
AI untuk Sains Berbeda dari AI Konsumen
AI ilmiah mempunyai tuntutan berbeda dibanding chatbot.
Kesalahan kecil pada percakapan umum mungkin hanya menghasilkan jawaban kurang tepat.
Dalam fisika, kesalahan dapat memengaruhi hasil penelitian.
Karena itu, model harus diuji dengan standar tinggi.
Ilmuwan perlu memahami tingkat ketidakpastian.
Hasil AI juga tidak dapat langsung dianggap sebagai fakta.
Setiap sinyal tetap harus diverifikasi melalui metode statistik dan eksperimen.
Ini membuat AI lebih cocok dipandang sebagai alat bantu.
Keputusan ilmiah tetap berada pada manusia.
Potensi Penggunaan Meluas ke Bidang Lain
CERN dan Mistral mengatakan fokus pertama berada pada fisika energi tinggi.
Namun, teknologi yang dikembangkan dapat mempunyai aplikasi lebih luas.
Foundation model ilmiah dapat digunakan pada bidang yang memiliki data kompleks.
Astronomi menjadi salah satu contoh.
Biologi dan ilmu material juga menghasilkan kumpulan data besar.
Jika Flare berhasil, pendekatan yang sama dapat diterapkan di bidang lain.
Model tidak harus belajar bahasa manusia.
Ia dapat belajar struktur data ilmiah.
Komputasi Menjadi Tantangan Besar
Melatih foundation model membutuhkan sumber daya tinggi.
Miliaran simulasi partikel tidak kecil.
Pusat komputasi membutuhkan GPU atau akselerator lain dalam jumlah besar.
Energi juga menjadi faktor.
Peneliti kemudian harus memastikan manfaat model sebanding dengan sumber daya yang digunakan.
Efisiensi menjadi bagian penting dari pengembangan AI ilmiah.
Model yang terlalu besar tetapi hanya memberi sedikit peningkatan mungkin tidak ekonomis.
Fisika Partikel Memasuki Era Baru
CERN selama puluhan tahun menggunakan komputer untuk memproses data.
Machine learning juga bukan hal baru di LHC.
Namun, foundation model membawa pendekatan berbeda.
Alih-alih membuat satu algoritma untuk satu tugas, ilmuwan mencoba membuat satu model dasar yang memahami banyak bagian eksperimen.
Perubahan tersebut mirip transformasi yang terjadi pada AI bahasa.
Jika Flare berhasil, proses analisis fisika dapat menjadi lebih fleksibel.
Ilmuwan bisa mengembangkan berbagai tugas di atas model yang sama.
Pada akhirnya, tujuan proyek bukan sekadar membuat AI yang lebih canggih.
Tujuannya adalah membantu manusia menemukan sesuatu mengenai struktur dasar alam semesta yang sebelumnya terlalu sulit terlihat dalam data.