Les astronomes, tels des chefs cuisiniers, ont longtemps préparé la description de l'Univers avec les mêmes recettes lourdes. Ces recettes — des formules mathématiques complexes — estimaient combien de galaxies de différentes luminosités et masses remplissent le cosmos, ainsi que la répartition des fondations invisibles de matière noire. Mais la précision des plats laissait à désirer. Alors, on a fait appel à un chef numérique : l'algorithme ESR. Il a testé des millions de variantes à base d'opérations simples : addition, multiplication, exponentiation.
Le résultat a surpris : il s'est avéré que pour un résultat parfait, pas besoin de fioritures. Des relations simples — par exemple, « plus une galaxie est brillante, moins il y en a » — fonctionnent mieux si l'on supprime les corrections artificielles. C'est comme découvrir que pour un croissant, trois ingrédients suffisent, et que le goût est meilleur qu'avec une recette compliquée. Désormais, les astronomes pourront assembler plus rapidement le puzzle de l'histoire des galaxies et affiner le modèle cosmologique standard.
tel que rédigé par les auteurs, en anglais arXiv:2604.23236
The galaxy luminosity and stellar mass function (LF, SMF), and halo mass function (HMF), are fundamental quantities in astrophysics and crucial inputs to a range of astrophysical and cosmological analyses. They are typically parametrised by fitting functions that have been chosen "by eye" to match observed or simulated data. We apply symbolic regression -- specifically the Exhaustive Symbolic Regression (ESR) algorithm -- to automate the search for optimal LF, SMF and HMF functional forms. ESR scores all functions up to a maximum complexity composed of a user-defined basis set of operators using the description length, an approximation to the Bayesian evidence that balances accuracy with complexity. We find many functions outperforming the Schechter and double Schechter functions for the LF and SMF, and that outperform the Press--Schechter and Warren/Tinker functions for the HMF. By additionally imposing "physicality checks" on functions' extrapolation and integration properties, we identify the optimal, low-complexity functional forms in terms of accuracy, simplicity and behaviour beyond the data range. As well as providing drop-in replacements for literature LF, SMF and HMF fitting functions, and identifying robust behaviour across well-fitting functions, we present a framework with which symbolic regression may be used to automate the discovery of optimal functions for any astrophysical dataset.
Les galaxies petites et peu lumineuses sont bien plus nombreuses dans l'Univers que les géantes brillantes — comme les cèpes dans la forêt par rapport aux chênes centenaires.
Comme dans le roman « Le Guide du voyageur galactique », où un supercalculateur cherchait la Réponse à la grande question, cet algorithme cherche la recette idéale pour le cosmos — mais au lieu de philosophie, il produit des équations précises.