L'Univers entraîné à prédire express
Des milliers d'univers sont nés dans un ordinateur pour, un jour, parler du nôtre. Chacun avec ses amas de galaxies, disposés selon les lois de la gravitation, comme des petits pois dans un bocal secoué avec plus ou moins de force. La façon dont les petits pois se répartissent permet de deviner quelle main a secoué le bocal. Ici, c'est pareil : à partir de la répartition des amas, les scientifiques veulent déterminer combien de matière noire contient l'Univers et à quelle vitesse elle s'est agglutinée en grumeaux.
Auparavant, on ne tirait de ces motifs que quelques chiffres : combien d'amas au total et à quel point ils préfèrent se tenir à certaines distances. C'est comme juger un tableau par sa couleur moyenne et le nombre de coups de pinceau. Désormais, le réseau de neurones regarde l'ensemble du tableau : une carte tridimensionnelle où chaque point est un amas de galaxies. Et il s'entraîne sur trente-deux mille de ces cartes, générées selon différents scénarios.
Le résultat est encourageant : la nouvelle approche se trompe dix pour cent de moins que l'ancienne dans l'estimation de la densité de matière, et vingt pour cent de moins dans l'estimation de l'agglutination. Si l'on fournit en plus au réseau de neurones la luminosité de chaque amas, la précision double encore. La luminosité, ici, c'est comme la taille du petit pois : elle dépend aussi de la quantité de matière noire environnante.
Ainsi, les univers informatiques deviennent un manuel pour lire le nôtre. Meilleur est le manuel, plus précisément nous saurons de quoi est fait le cosmos et où il va.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2601.03894
The possibility to constrain cosmological parameters from galaxy surveys using field-level machine learning methods that bypass traditional summary statistics analyses, depends crucially on our ability to generate simulated training sets. The latter need to be both realistic, as to reproduce the key features of the real data, and produced in large numbers, as to allow us to refine the precision of the training process. The analysis presented in this paper is an attempt to respond to these needs by (a) using clusters of galaxies as tracers of large-scale structure, together with (b) adopting a 3LPT code (Pinocchio) to generate a large training set of $$32\,768$$ mock X-ray cluster catalogues. X-ray luminosities are stochastically assigned to dark matter haloes using an empirical $$M-L_X$$ scaling relation. Using this training set, we test the ability and performances of a 3D convolutional neural network (CNN) to predict the cosmological parameters, based on an input overdensity field derived from the cluster distribution. We perform a comparison with a neural network trained on traditional summary statistics, that is, the abundance of clusters and their power spectrum. Our results show that the field-level analysis combined with the cluster abundance yields a mean absolute relative error on the predicted values of $$\Omega_{\rm m}$$ and $$\sigma_8$$ that is a factor of $$\sim 10 \%$$ and $$\sim 20\%$$ better than that obtained from the summary statistics. Furthermore, when information about the individual luminosity of each cluster is passed to the CNN, the gain in precision exceeds $$50\%$$.
L'échantillon d'entraînement comptait 32 768 univers virtuels, soit exactement 2 puissance 15, un nombre « rond » pour un ordinateur.