Recette cosmique : comment un réseau de neurones devine la composition de l'Univers ✛ ✦

Original: "Simulation-Based Inference for Cluster Cosmology with Set-Based Neural Network Architectures"
arXiv:2606.27439 · 2026-06-25 · CC BY 4.0 · 1 min
Un nouveau programme informatique apprend à « goûter » les amas de galaxies et, selon leur saveur, à déterminer la quantité de matière noire et d'énergie noire dans l'Univers.

À partir des amas de galaxies — ces nuages géants composés de milliers de systèmes stellaires, de plasma surchauffé et de matière noire invisible — on peut calculer la quantité de matière noire et d'énergie noire qui gouvernent l'expansion de l'univers. Cela rappelle la tentative de reconstituer la recette d'un plat en le goûtant, sans connaître ses ingrédients. Autrefois, les scientifiques construisaient manuellement des formules complexes ; désormais, un réseau de neurones apprend à deviner la composition directement.

La base de la méthode repose sur l'entraînement avec des milliers d'univers fictifs aux « recettes » variées. Le réseau de neurones ne mémorise pas d'équations, mais fournit directement les paramètres probables. Son principal avantage est sa capacité à traiter des listes d'amas de n'importe quelle longueur : comme un chef qui évalue avec la même assurance un plat à vingt ou à cent ingrédients. La précision n'a déjà rien à envier aux calculs traditionnels.

Le télescope eROSITA, nommé en l'honneur de Rashid Alievich Sunyaev, a réalisé la première carte complète du ciel en rayons X depuis 30 ans — plus de 5 000 amas constituent un « menu » tout prêt pour l'analyse.

Le gaz qu'ils contiennent est chauffé à des dizaines de millions de degrés — plus chaud que le centre du Soleil. L'approche est universelle : elle peut servir à étudier la lentille gravitationnelle (où les corps massifs courbent la lumière) ou le décalage vers le rouge (qui permet de mesurer les distances des galaxies lointaines).

Le rayonnement X des amas est entièrement absorbé par l'atmosphère terrestre ; c'est pourquoi le télescope eROSITA travaille dans l'espace, captant des signaux invisibles depuis la Terre.

\left\langle \ln \frac{CR}{CR_{p}} \right\rangle = A_X + B_X \ln\frac{M}{M_{p}} + D_X \ln\frac{d_L(z)}{d_L(z_p)} + E_X \ln\frac{E(z)}{E(z_p)}
Le logarithme attendu du taux de comptage dépend de la masse, du décalage vers le rouge et des distances cosmologiques. Les paramètres libres sont calibrés par lentille gravitationnelle faible.
Scientifiques
Fritz ZwickyNancy Grace RomanRashid Alievich SunyaevR. Brent Tully
Notions
simulation cosmologique réseaux de neurones en cartographie spatiale données cosmologiques IllustrisTNG modélisation stochastique simulation sur superordinateur xgboost regroupement relevé du ciel cartographie galactique par réseau de neurones chaîne de Markov Monte Carlo