L'Univers sur la balance : un réseau de neurones affine l'expansion cosmique ✛ ✎

Original: "KAN-LSTM-Transformer Neural Networks, MFV and Cosmological Parameters"
· Jiang Zhang, Yan-dong Chen
arXiv:2607.06959 · 2026-07-08 · arXiv non-exclusive · analyse indépendante · 2 min
Le programme apprend tout seul à estimer les distances à partir de la lumière d'explosions stellaires lointaines.

Imaginez une pièce sombre et une ampoule. Vous savez que sa puissance réelle est de 100 watts, mais elle paraît faible : elle est donc loin. Plus elle est faible, plus elle est loin. Les astronomes utilisent une astuce similaire : ils observent des explosions particulières – des supernovae – dont la luminosité intrinsèque est presque identique. C'est comme si le cosmos avait lui-même disposé des ampoules-balises. C'est ainsi que dans les années 1990, Adam Riess et ses collègues ont découvert que l'Univers s'étend de plus en plus vite.

Longtemps, on a cru que l'expansion se faisait à une vitesse constante – appelée loi de Hubble en l'honneur d'Edwin Hubble (bien que l'idée ait d'abord été proposée par Georges Lemaître). Cependant, les mesures basées sur les supernovae donnent un nombre, tandis que celles basées sur le Fond diffus cosmologique en donnent un autre. Cet écart pourrait indiquer de nouvelles propriétés de l'énergie noire ou des lacunes dans la théorie. Pour contourner le débat, les scientifiques ont créé le réseau de neurones KLT-Net : il observe le décalage vers le rouge de la lumière (son rougissement dû à l'étirement de l'espace) et en déduit lui-même la distance correspondante. Les trois « cerveaux » du réseau – l'un mémorise les séquences, l'autre repère les motifs principaux, le troisième saisit la vue d'ensemble – apprennent sans formules préétablies.

Le réseau repose sur des B-splines – les mêmes courbes lisses qui dessinent les courbes dans les films d'animation par ordinateur.

Résultat : la loi de Hubble donne environ 69.6 km/s par mégaparsec – c'est à peu près la vitesse à laquelle deux maisons séparées d'un million d'années-lumière s'éloignent l'une de l'autre chaque seconde. Cette valeur se rapproche un peu plus des données du Fond diffus cosmologique, ce qui adoucit la contradiction. Cette approche est précieuse car elle ne force pas les chiffres à coller à des dogmes, mais cherche honnêtement la relation directement. Quand les nouveaux télescopes nous inonderont d'images précises, de tels réseaux aideront à y déceler des indices sur la mystérieuse énergie noire – la cause de la course toujours plus rapide des galaxies.

Le réseau utilise des B-splines – les mêmes courbes mathématiques qui tracent des lignes douces dans l'animation par ordinateur. Et autrefois, Edwin Hubble déduisait l'expansion de l'Univers à l'œil nu à partir de plaques photographiques !

L'idée d'un programme qui reconstitue lui-même l'histoire du cosmos rappelle l'« Encyclopédie Galactica » des romans d'Isaac Asimov, « Fondation » : là-bas, des mathématiciens prédisaient l'avenir en analysant des montagnes de données sans connaître tous les mécanismes.

\mu = m - M = 5 \log_{10}\left(\frac{D_L}{\text{Мпк}}\right) + 25
Le module de distance μ est une mesure logarithmique de la luminosité, reliant l'éclat apparent m d'une supernova, sa luminosité intrinsèque M et la distance photométrique D_L. De même que l'intensité du son diminue avec la distance, la lumière s'affaiblit, et cette formule est l'acoustique du cosmos.
H(z) = H_0 \sqrt{\Omega_{m0}(1+z)^3 + (1-\Omega_{m0})}
Le paramètre de Hubble dans le modèle ΛCDM plat décrit comment le taux d'expansion varie avec le [tag:redshift]décalage vers le rouge[/tag] z. C'est le motif rythmique de l'Univers, déterminé par la densité de matière Ωₘ et l'énergie du vide.
Scientifiques
Enrico FermiSubrahmanyan ChandrasekharAugustin-Louis CauchyChristiaan HuygensEmmy NoetherIsaac Newton
Notions
échelle des distances cosmiques test de Kolmogorov-Smirnov machine à vecteurs de support Monte Carlo hamiltonien paramètres cosmologiques mesure des distances cosmiques grands modèles de langage lsst données cosmologiques