Comment un réseau de neurones aide à voir la matière invisible ✛ ✎ ✦

Original: "Neural Posterior Estimation for Inferring Weak Lensing Shear"
arXiv:2607.09867 · 2026-07-10 · arXiv non-exclusive · analyse indépendante · 1 min
Un réseau de neurones estime directement comment la matière noire déforme les galaxies lointaines, sans long réglage des instruments.

La lumière des galaxies lointaines, en passant près des amas de matière noire, se courbe comme à travers un verre irrégulier. Ce phénomène, prédit par Einstein et confirmé par Zwicky et Rubin, permet de peser les structures invisibles. Mais mesurer précisément la déformation, c'est comme deviner la courbure d'un verre à partir d'ombres floues. Habituellement, on construit une chaîne : on repère les galaxies, on mesure leur étirement, on règle les instruments. Les scientifiques ont entraîné un réseau de neurones sur des dizaines de milliers d'images artificielles issues de modèles informatiques. Le réseau regarde une image en plusieurs couleurs et donne immédiatement l'amplitude et la direction de la courbure de la lumière. Et il le fait en quelques secondes – avant, cela prenait des mois. La méthode combine toutes les étapes en une seule et ne nécessite pas de connaître les défauts du télescope : le réseau apprend à les ignorer. La précision permet de dresser des cartes de matière noire et de comprendre comment l'énergie noire pilote l'expansion de l'univers. Pour les futurs relevés avec des milliards de galaxies à différents décalages vers le rouge, cette approche deviendra indispensable.

Le futur télescope LSST photographiera tellement de galaxies que si chacune était un grain de sable, on pourrait recouvrir un terrain de football d'une couche de plusieurs centimètres.

Tout comme dans le roman « Spin », un champ mystérieux déforme la lumière des étoiles, la matière noire modifie les trajectoires des rayons provenant de galaxies lointaines.

\hat{\gamma}_j^n = (1+m_j)\gamma_j^n + c_j
Relation entre le cisaillement vrai et son estimation ; m_j et c_j sont les composantes multiplicative et additive du biais, que la nouvelle méthode minimise sans calibration explicite.
Scientifiques
Fritz ZwickyVera RubinRoberto D. PecceiHelen QuinnR. Brent Tully
Notions
polarimétrie par réseau de neurones cartographie galactique par réseau de neurones apprentissage profond en imagerie médicale échantillonnage imbriqué cisaillement gravitationnel faible modélisation de lentille gravitationnelle classification d'images imagerie à pixel unique apprentissage faiblement supervisé distribution a posteriori prédiction des propriétés moléculaires traitement numérique d'images régression symbolique inférence bayésienne rééchantillonnage jackknife simulation numérique spectroscopie à réduction de bruit soustraction de bruit interpolation maximum de vraisemblance