JADE : un détective IA qui lit la toile cosmique dans les traces de lumière ✛ ✦

Original: "Joint inference of weak lensing convergence map and cosmology with diffusion models"
arXiv:2606.31988 · 2026-06-30 · CC BY 4.0 · 4 min
La méthode JADE, basée sur des modèles de diffusion, reconstruit simultanément les cartes de matière noire et mesure les paramètres de l'Univers à partir des données de lentille gravitationnelle faible.

La lumière des galaxies lointaines met des milliards d'années à nous parvenir, mais en chemin, elle est déviée et courbée par la toile invisible de la matière noire. Cet effet, prédit par Einstein dans le cadre de la relativité générale, est appelé lentille gravitationnelle. Dès les années 1930, Fritz Zwicky a soupçonné qu'une masse invisible se cachait dans les amas, et plus tard, Vera Rubin a prouvé son omniprésence grâce à la rotation vertigineuse des galaxies. Aujourd'hui, nous collectons des données colossales sur les déformations cohérentes des formes de milliards de galaxies — c'est la lentille faible, qui transforme tout le ciel en un détecteur sensible de la toile cosmique.

Traditionnellement, on n'extrayait de ces données que des corrélations moyennées, mais c'est comme essayer de reconstituer un visage humain à partir d'une silhouette floue sur une vitre embuée — on perd les traits fins, les rides et les grains de beauté qui portent l'information essentielle. Les motifs non gaussiens — tourbillons et amas nés de l'effondrement gravitationnel — détiennent les clés du mystère de l'expansion accélérée de l'Univers et de la nature de l'énergie noire. La méthode JADE agit différemment. Elle s'attaque d'emblée à l'image complète : en s'entraînant sur des centaines de milliers de simulations numériques des champs cosmiques, le modèle de diffusion apprend à inverser les déformations, pas à pas, pour lever le voile gravitationnel. Au cœur de l'architecture se trouve un transformeur qui entrelace les pixels de la carte avec six paramètres cosmologiques, tel un neuro-polyglotte parlant couramment le langage des images et l'algèbre des constantes. Le résultat n'est pas une seule carte, mais toute une galerie d'univers probables, où chaque échantillon génère une réalisation cohérente du champ de masse.

Pour entraîner JADE, il n'a fallu que 100 000 simulations, alors qu'un seul lancement de MCMC pour une observation nécessite environ un million d'appels au simulateur. La génération d'un échantillon a posteriori ne prend que 0,2 seconde.

Les tests sur les données simulées du relevé LSST Y10 ont donné des résultats brillants : les tranches tomographiques reconstruites du décalage vers le rouge reproduisent non seulement correctement le spectre de puissance (avec une erreur d'environ 7 %), mais aussi, comme par les empreintes d'une paume invisible, transmettent fidèlement la distribution à une seule barre — une mesure directe de la non-gaussianité. Les paramètres cosmologiques, y compris la densité de matière noire Ωc, l'amplitude des fluctuations σ8 et l'équation d'état de l'énergie noire w0, ont convergé avec les chaînes MCMC classiques, comme si une énigme résolue par différents enquêteurs menait au même suspect. La percée clé est l'abandon du simulateur différentiable. Auparavant, il fallait simplifier la physique jusqu'à des jouets différentiables ; désormais, JADE accepte les codes N-corps et hydrodynamiques lourds tels quels, sans sacrifier l'inférence bayésienne honnête. C'est comme si l'on permettait enfin au détective d'utiliser tout l'arsenal de preuves, et non plus seulement de simples empreintes digitales.

Toutes les vérifications ont été effectuées image par image : pour chaque échantillon de paramètres, une simulation indépendante a été générée, confirmant la cohérence interne du portrait probabiliste de l'Univers.

Les perspectives de JADE s'étendent bien au-delà des cartes plates. La prochaine étape est l'adaptation à la sphère céleste complète et l'intégration dans l'analyse des gradients des simulateurs directs, lorsqu'ils seront disponibles. L'architecture envisage déjà l'analyse multi-sondes, prête à tisser ensemble la lentille, les amas de galaxies et le fond diffus cosmologique, et même à reconstruire les conditions initiales — ces graines quantiques à partir desquelles la toile cosmique a grandi. Car dans les motifs non gaussiens se cache jusqu'à la moitié de toute l'information sur l'énergie noire, et JADE l'extrait pour la première fois sans compromis. Cela nous rapproche du rêve des cosmologistes : non seulement mesurer les paramètres, mais aussi plonger dans la géométrie cachée de l'univers à travers la lumière déformée des étoiles lointaines, comme si l'on voyait un film sur la façon dont l'invisible devenait visible.

Pour entraîner le modèle, il n'a fallu que 100 000 simulations, alors qu'un seul lancement de MCMC pour une observation nécessite environ un million d'appels au simulateur. La génération d'un échantillon a posteriori ne prend que 0,2 seconde.

Comme dans « Blindesight » de Peter Watts, où les extraterrestres ne se révèlent que par des ondulations en arrière-plan, JADE extrait la matière noire des ondulations de fond de la lentille.

\kappa(\boldsymbol{\vartheta}) = \frac{3 H_0^2 \Omega_m}{2c^2} \int_0^{\chi_{\lim}} d\chi \, \frac{q(\chi)}{a(\chi)} f_K(\chi) \delta(f_K(\chi) \boldsymbol{\vartheta}, \chi)
Équation (1) de l'article : la convergence comme intégrale pondérée du contraste de densité le long de la ligne de visée.
\tilde{\kappa}_E + i\tilde{\kappa}_B = \left( \frac{k_1^2 - k_2^2}{k^2} + i \frac{2k_1 k_2}{k^2} \right) (\tilde{\gamma}_1 + i\tilde{\gamma}_2)
Équation (3) : relation entre le cisaillement et la convergence dans l'espace de Fourier en approximation plane.
Scientifiques
Fritz ZwickyVera RubinRoberto D. PecceiHelen QuinnR. Brent TullyBohdan Paczyński
Notions
cisaillement gravitationnel faible distribution a posteriori apprentissage profond en imagerie médicale apprentissage faiblement supervisé modélisation de lentille gravitationnelle cartographie de l'image médicale au génome moindres carrés imagerie à pixel unique matrice de confusion modèles de diffusion spectromètre intégré régression symbolique reconstruction de microlentille par réseau de neurones convergence composite analysis échantillonnage imbriqué irm de diffusion rééchantillonnage jackknife échantillonnage par rejet autoregressive model