Le polisseur numérique : comment un réseau de neurones perce les secrets des lentilles gravitationnelles doubles ✛ ✎ ✦

Le microlentillage gravitationnel est un effet cosmique fascinant, prédit par Einstein et développé par Zwicky. Un corps massif, passant entre nous et une étoile lointaine, courbe sa lumière comme une lentille, créant des amplifications et distorsions caractéristiques. Lorsque la lentille est double — une étoile avec une exoplanète ou une paire serrée de vestiges stellaires — des motifs caustiques complexes apparaissent sur la courbe photométrique, comme si la lumière se réfractait à travers un cristal taillé. Déchiffrer ces motifs, c'est reconstruire les masses et les orbites, mais jusqu'à récemment, chaque analyse exigeait des heures de calcul et des milliers de simulations.

CausticFlow repense cette tâche comme un art de polissage optique. Au lieu d'explorer les paramètres à l'aveugle, le réseau de neurones apprend à « sentir » la géométrie de la lentille à travers les moindres courbures de la courbe de lumière. À la base, les équations différentielles neuronales (Neural CDE). Elles lisent la série temporelle comme un flux continu, sans se laisser perturber par les lacunes et irrégularités — comme un musicien expérimenté saisit une mélodie même si des notes manquent. Ensuite, l'apprentissage automatique par flux normalisants transforme une distribution simple en une distribution a posteriori complexe, où chaque pic correspond à une configuration possible de la lentille. L'entraînement se fait sur des courbes de lumière simulées numériquement avec un bruit semblable à celui des vrais télescopes, et tous les calculs sont accélérés par la bibliothèque JAX.

Sur les tests synthétiques, la précision est impressionnante : l'erreur typique sur le rapport de masses q est d'environ 17 %, et celle sur la séparation projetée s n'est que de 3 %. Mais le modèle ne s'arrête pas à une estimation grossière : une optimisation rapide de Nelder-Mead avec une dizaine de points de départ issus de l'a posteriori affine les paramètres à moins de 5 % et 1 % respectivement. Sur 10 événements réels de KMTNet, malgré la parallaxe et le mouvement orbital, CausticFlow reconstruit avec succès 7 objets, en ne consacrant pas plus de 10 minutes de temps CPU à chacun. Là où l'échantillonnage MCMC s'enliserait dans les méandres des solutions dégénérées, le réseau de neurones trouve avec assurance tous les modes.

CausticFlow ne remplace pas l'analyse bayésienne détaillée, mais agit comme un viseur optique : il pointe instantanément les zones prometteuses de l'espace des paramètres, transformant des heures de calcul en secondes. Pour les futures missions telles que James Webb et Hubble, cela ouvre la possibilité de traiter des millions d'événements de microlentillage en temps réel. Le réseau de neurones scanne le flux de données des télescopes comme un grand maître analyse une ouverture, et en une fraction de seconde sélectionne des candidats pour des mesures spectroscopiques immédiates. Cela fait passer la chasse à la matière noire et aux planètes froides en mode production de masse.

Ce travail prouve pour la première fois que les émulateurs neuronaux peuvent gérer les problèmes inverses dégénérés de l'astrophysique. À terme, CausticFlow apprendra à prendre en compte la parallaxe et les paramètres orbitaux, et son architecture deviendra un modèle pour l'analyse de séries temporelles irrégulières dans d'autres sciences. Comme une bonne optique permet de voir des galaxies lointaines, ce polisseur numérique révélera un univers invisible : des milliers de planètes orphelines et d'objets compacts massifs, et permettra de réécrire l'histoire de la formation stellaire dans notre Galaxie. Et peut-être, parmi les millions de courbes sélectionnées, une anomalie surgira un jour qui nous amènera à repenser les équations mêmes de la gravitation.