4 610 univers — c'est le nombre de modèles informatiques dont les astronomes ont eu besoin pour montrer que le fameux «masque gaussien» n'est plus adapté aux données de nouvelle génération. On pose ce masque lorsqu'on suppose que toutes les incertitudes obéissent à une seule et même loi — la distribution normale (une courbe en cloche régulière). Mais dans l'espace, tout est différent. matière noire (la substance invisible qui maintient les galaxies) — d'abord remarquée par Vera Rubin — se rassemble en d'énormes amas. Cela brise le tableau simple. Les futurs relevés du ciel, comme le télescope Euclid, mesureront la structure à grande échelle de l'Univers via de minuscules distorsions dans les formes des galaxies lointaines. À partir de ces données, on peut déterminer la fraction de matière Ωm (la quantité de matière dans l'Univers) et ainsi vérifier la nature de l'énergie noire (la force mystérieuse qui accélère l'expansion de l'Univers) et comment la gravité régit cette expansion accélérée, découverte par Edwin Hubble et Georges Lemaître.

Pour extraire des nombres de ces distorsions, les scientifiques utilisent deux approches. La méthode classique (ELI) croit au masque gaussien : elle pense que toutes les erreurs peuvent être décrites par une simple «cloche». Pour cela, elle utilise des simulations numériques (des univers informatiques) et construit des calculs approximatifs rapides. L'autre méthode (LFI) enlève le masque. Elle emploie l'apprentissage automatique, plus précisément des réseaux de neurones convolutifs (des programmes capables de trouver des motifs dans les images numériques — des ensembles de pixels). Sur de nombreuses simulations, le réseau neuronal mémorise à quoi ressemblent réellement les données, puis, lors de l'inférence bayésienne (une façon de mettre à jour les probabilités à mesure que l'information arrive), il estime honnêtement les paramètres souhaités.

Les chercheurs ont organisé un duel loyal sur 4 610 univers. L'ancienne méthode, ELI, se comportait comme une personne masquée qui essaie de deviner un objet au toucher : si les données étaient simples, elle s'en sortait, mais dès qu'une petite «irrégularité» apparaissait, elle se trompait. Par exemple, lorsqu'on utilisait un réseau de neurones pour compresser les données, les prédictions d'ELI pour le paramètre clé S₈ (une mesure de l'agglomération de la matière) étaient 2,2 fois moins précises que celles de LFI. La nouvelle méthode, LFI, au contraire, donnait toujours des résultats corrects et précis.

La leçon principale : le masque gaussien, à l'ère des mesures précises, est devenu une illusion dangereuse. Ce travail a montré que les méthodes sans hypothèses rigides ne sont pas un jeu, mais une nécessité. Mais il a aussi montré que l'ancienne méthode peut fonctionner si les données se comportent «selon les règles». La conclusion pratique : toute future analyse de données cosmiques doit impérativement passer un contrôle rigoureux d'honnêteté — une calibration. Sinon, les artefacts de la méthode pourraient être pris pour de nouvelles lois de la nature. En ôtant le masque de ces 4 610 univers, les scientifiques nous ont donné la chance de voir la véritable structure à grande échelle sans distorsions.