main concepts scientists sections
SimplePopulaireAvancé

L'ordinateur apprend à voir la matière noire invisible ✛ ✦

Original: "Joint inference of weak lensing convergence map and cosmology with diffusion models"
· Benjamin Remy, Chihway Chang, Rebecca Willett
arXiv:2606.31988 · 2026-06-30 · CC BY 4.0 · 1 min
Cosmologie et astrophysique extragalactique Instrumentation et méthodes pour l'astrophysique
Le programme JADE, grâce aux galaxies déformées, dresse en quelques secondes une carte de la matière noire et détermine les propriétés de l'Univers.

Les galaxies vues au télescope paraissent légèrement de travers — non pas à cause de défauts d'optique, mais parce que leur lumière est déviée par l'attraction de la matière noire invisible. Cette lentille gravitationnelle est semblable aux motifs à la surface de l'eau qui trahissent un rocher caché au fond. Le programme JADE (apprentissage automatique) s'entraîne sur des millions de simulations numériques de galaxies et transforme en une fraction de seconde une image réelle en carte de la masse cachée. En parallèle, il calcule la part de la mystérieuse énergie noire qui accélère l'expansion de l'Univers, et fonctionne même pour les objets les plus lointains, avec un décalage vers le rouge notable.

Là où l'analyse classique prend des jours, JADE s'en sort en 0,2 seconde — et sans perte de précision.

La déviation de la lumière par la masse a été prédite par Einstein, Zwicky a le premier supposé l'existence d'une matière cachée, et Rubin a prouvé que sans elle, les galaxies se désagrégeraient. Désormais, nous ne croyons plus seulement à l'invisible — nous le voyons en temps réel.

Le graphe entier →

JADE a été entraîné sur seulement 100 000 simulations — c'est comme une poignée de grains de sable comparée aux millions de calculs nécessaires aux anciennes méthodes. Chaque carte est créée en 0,2 seconde.

Dans le roman « Blindsight » de Peter Watts, les vaisseaux extraterrestres invisibles ne se trahissent que par les distorsions de la lumière des étoiles — exactement comme la matière noire.

\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