Comment le flou des étoiles révèle l'énergie noire express
La lumière d'une étoile lointaine, après avoir traversé l'air et les lentilles du télescope, perd de sa netteté — comme si l'on regardait un lampadaire à travers une vitre mouillée. Les astronomes appellent ce flou « l'empreinte digitale » du télescope : chaque instrument a la sienne, et il faut la connaître dans les moindres détails.
Auparavant, on relevait cette « empreinte » par morceaux : chaque puce photosensible de la caméra était traitée séparément, et l'image d'ensemble perdait en cohérence. Désormais, un réseau de neurones apprend sur des milliers de clichés d'étoiles du télescope « Subaru » et reconstruit lui-même le flou sur tout le champ de vision — comme un restaurateur qui reconstitue une fresque à partir de fragments conservés.
C'est crucial pour l'essentiel : à partir des déformations à peine perceptibles des formes des galaxies lointaines, les scientifiques calculent la vitesse d'expansion de l'Univers. Plus le flou est précis, moins il y a d'erreurs dans ces calculs. La nouvelle méthode est préparée pour le futur relevé du ciel, où des millions d'étoiles seront photographiées chaque nuit.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2602.15780
We present the development of a data-driven, AI-based model of the Point Spread Function (PSF) that achieves higher accuracy than the current state-of-the-art approach, "PSF in the Full Field-of-View'' (PIFF). PIFF is widely used in leading weak-lensing surveys, including the Dark Energy Survey (DES), the Hyper Suprime-Cam (HSC) Survey, and the Vera C. Rubin Observatory Legacy Survey of Space and Time (LSST). The PSF characterizes how a point source, such as a star, is imaged after its light traverses the atmosphere and telescope optics, effectively representing the "blurred fingerprint'' of the entire imaging system. Accurate PSF modeling is essential for weak gravitational lensing analyses, as biases in its estimation propagate directly into cosmic shear measurements -- one of the primary cosmological probes of the expansion history of the Universe and the growth of large-scale structure for dark energy studies. To address the limitations of PIFF, which constructs PSF models independently for each CCD and therefore loses spatial coherence across the focal plane, we introduce a deep-learning-based framework for PSF reconstruction. In this approach, an autoencoder is trained on stellar images obtained with the Hyper Suprime-Cam (HSC) of the Subaru Telescope and combined with a Gaussian process to interpolate the PSF across the telescope's full field of view. This hybrid model captures systematic variations across the focal plane and achieves a reconstruction error of $$3.4 \times 10^{-6}$$ compared to PIFF's $$3.7 \times 10^{-6}$$, laying the foundation for integration into the LSST Science Pipelines.
L'atmosphère terrestre floute la lumière des étoiles comme l'eau floute les galets au fond d'un ruisseau : plus on regarde profond, plus l'image tremble.
Dans la série « The Expanse », les astronautes corrigent les images des télescopes en temps réel — sans un modèle précis du flou, leurs cartes des mondes lointains seraient inutiles.