Une équipe de physiciens et d'informaticiens de l'ETH Zurich a développé une nouvelle approche du problème de la matière noire et de l'énergie noire dans l'univers. À l'aide d'outils d'apprentissage automatique, ils ont programmé des ordinateurs pour qu'ils apprennent eux-mêmes à extraire les informations pertinentes des cartes de l'univers.

Comprendre comment notre univers est devenu ce qu'il est aujourd'hui et quel sera son destin final est l'un des plus grands défis de la science. L'affichage impressionnant d'innombrables étoiles par une nuit claire nous donne une idée de l'ampleur du problème, et pourtant ce n'est qu'une partie de l'histoire. L'énigme la plus profonde réside dans ce que nous ne pouvons pas voir, du moins pas directement :matière noire et énergie noire. Avec la matière noire rassemblant l'univers et l'énergie noire l'amenant à s'étendre plus rapidement, les cosmologistes ont besoin de savoir exactement combien de ces deux éléments existent afin d'affiner leurs modèles.

A l'ETH Zurich, des scientifiques du Département de physique et du Département d'informatique ont maintenant uni leurs forces pour améliorer les méthodes standard d'estimation du contenu de matière noire de l'univers grâce à l'intelligence artificielle. Ils ont utilisé des algorithmes d'apprentissage automatique de pointe pour l'analyse des données cosmologiques qui ont beaucoup en commun avec ceux utilisés pour la reconnaissance faciale par Facebook et d'autres médias sociaux. Leurs résultats ont récemment été publiés dans la revue scientifique Examen physique D .

Reconnaissance faciale pour la cosmologie

Bien qu'il n'y ait pas de visages à reconnaître sur les photos prises du ciel nocturne, les cosmologues recherchent encore quelque chose d'assez similaire, comme Tomasz Kacprzak, chercheur dans le groupe d'Alexandre Refregier à l'Institut de Physique des Particules et d'Astrophysique, explique :« Facebook utilise ses algorithmes pour trouver des yeux, des bouches ou des oreilles dans les images ; nous utilisons les nôtres pour rechercher les signes révélateurs de la matière noire et de l'énergie noire. les physiciens s'appuient sur le fait que toute la matière, y compris la variété sombre, courbe légèrement le trajet des rayons lumineux arrivant sur la Terre en provenance de galaxies lointaines. Cet effet, connu sous le nom de "lentille gravitationnelle faible, " déforme très subtilement les images de ces galaxies, tout comme les objets lointains semblent flous par une journée chaude alors que la lumière traverse des couches d'air à différentes températures.

Les cosmologistes peuvent utiliser cette distorsion pour travailler à rebours et créer des cartes de masse du ciel montrant où se trouve la matière noire. Prochain, ils comparent ces cartes de matière noire aux prédictions théoriques afin de trouver quel modèle cosmologique correspond le mieux aux données. Traditionnellement, cela se fait à l'aide de statistiques conçues par l'homme telles que les fonctions dites de corrélation qui décrivent comment différentes parties des cartes sont liées les unes aux autres. De telles statistiques, cependant, sont limités quant à leur capacité à trouver des modèles complexes dans les cartes de matière.

Les réseaux de neurones s'auto-apprennent

« Dans nos récents travaux, nous avons utilisé une toute nouvelle méthodologie, " dit Alexandre Refregier. " Au lieu d'inventer nous-mêmes l'analyse statistique appropriée, nous laissons les ordinateurs faire le travail. » C'est là qu'interviennent Aurelien Lucchi et ses collègues du Data Analytics Lab du Département d'informatique. Avec Janis Fluri, un doctorat étudiant dans le groupe de Refregier et auteur principal de l'étude, ils ont utilisé des algorithmes d'apprentissage automatique appelés réseaux de neurones artificiels profonds et leur ont appris à extraire la plus grande quantité d'informations possible des cartes de matière noire.

Dans un premier temps, les scientifiques ont formé les réseaux de neurones en leur fournissant des données générées par ordinateur qui simulent l'univers. De cette façon, ils savaient quelle était la bonne réponse pour un paramètre cosmologique donné, par exemple, le rapport entre la quantité totale de matière noire et l'énergie noire doit être pour chaque carte de matière noire simulée. En analysant à plusieurs reprises les cartes de matière noire, le réseau de neurones a appris lui-même à y rechercher le bon type de fonctionnalités et à extraire de plus en plus d'informations souhaitées. Dans l'analogie avec Facebook, il s'est amélioré pour distinguer les formes ovales aléatoires des yeux ou de la bouche.

Plus précise que l'analyse faite par l'homme

Les résultats de cette formation ont été encourageants :les réseaux de neurones ont fourni des valeurs 30 % plus précises que celles obtenues par les méthodes traditionnelles basées sur l'analyse statistique humaine. Pour les cosmologistes, c'est une énorme amélioration car atteindre la même précision en augmentant le nombre d'images du télescope nécessiterait deux fois plus de temps d'observation, ce qui est coûteux.

Finalement, les scientifiques ont utilisé leur réseau de neurones entièrement entraînés pour analyser des cartes réelles de matière noire à partir de l'ensemble de données KiDS-450. "C'est la première fois que de tels outils de machine learning sont utilisés dans ce contexte, " dit Fluri, "et nous avons découvert que le réseau de neurones artificiels profonds nous permet d'extraire plus d'informations des données que les approches précédentes. Nous pensons que cette utilisation de l'apprentissage automatique en cosmologie aura de nombreuses applications futures."

Comme prochaine étape, lui et ses collègues prévoient d'appliquer leur méthode à de plus grands ensembles d'images tels que le Dark Energy Survey. Aussi, des paramètres et des raffinements plus cosmologiques tels que des détails sur la nature de l'énergie noire seront transmis aux réseaux de neurones.