La musique inversée du Big Bang ✛ ✎ ✦

Original: "Inverse-k Primordial Oscillations from a Symbolic Regression Search"
· Ze-Yu Peng, Qing-Yu Lan, Yun-Song Piao
arXiv:2607.04925 · 2026-07-06 · arXiv non-exclusive · analyse indépendante · 1 min
Dans la lumière ancienne, un algorithme a détecté des oscillations où les graves tremblent plus vite que les aigus — comme si on passait un disque à l'envers.

Il y a près d'un siècle, Edwin Hubble a remarqué que les galaxies s'éloignent : l'univers est en expansion. Mais qu'est-ce qui l'a gonflé dans les premiers instants ? La théorie de l'inflation, née des idées de Alan Guth et de Andrei Linde, a prédit de minuscules ondulations de densité, à partir desquelles les étoiles ont ensuite grandi. L'empreinte de ces événements est conservée dans le fond diffus cosmologique — cette faible lueur micro-onde qui imprègne l'espace. Captée par les radiotélescopes, elle est comme une vieille pellicule photo : on la développe et l'on voit le passé.

Un disque vinyle classique code les basses avec un sillon régulier et les aigus avec une ondulation serrée. Ici, la logique est inversée : les « sons » lents de l'espace se révèlent parcourus de frémissements rapides, comme si l'aiguille allait du centre vers le bord.

Pour déchiffrer ce motif, on a utilisé la régression symbolique — un algorithme qui passe en revue des millions de formules et trouve la meilleure, tel un enfant assemblant un jeu de construction sans notice. En y faisant passer les spectres de plusieurs relevés, l'ordinateur a isolé des oscillations qui s'accélèrent avec la longueur d'onde. Les calculs numériques confirment : ce modèle colle mieux aux données que les modèles standards. Il semble que, dans l'univers primordial, un mécanisme d'expansion à à-coups ait opéré — peut-être dû à une énergie fantôme qui faisait tressauter l'espace.

Cet algorithme, qui a détecté le rythme inversé, avait auparavant déduit la loi de conservation de l'énergie sans aucun indice, simplement en observant le balancement de pendules.

P_R(k) = P_{R,0}(k) [1 + f(k)], \quad P_{R,0}(k) = A_s \left( \frac{k}{k_*} \right)^{n_s-1}
Le spectre de puissance standard est multiplié par un facteur (1+f), où f décrit les oscillations recherchées, permettant de détecter les moindres écarts par rapport aux prédictions de l'inflation la plus simple.
f_X(k) = A_X \cos\left( \omega_X \, \frac{k_*}{k} + \phi_X \right)
L'amplitude A_X, la fréquence ω_X et la phase φ_X pour l'argument k_*/k — c'est cette forme, avec un cosinus du nombre d'onde inverse, qui a été identifiée par la régression symbolique comme la meilleure description des données.
Scientifiques
Alan GuthAlexander FriedmannAndrei LindeGeorges LemaîtreJames PeeblesAdam Riess
Notions
régression symbolique son fondamental autoregressive model