Les processus gaussiens sont utilisés pour reconstruire l'équation d'état de l'énergie sombre à partir des données.La régression par processus gaussiens est une méthode statistique puissante pour reconstruire une fonction à partir de données bruitées sans supposer une forme paramétrique spécifique. En cosmologie, elle est souvent utilisée pour déduire l'équation d'état de l'énergie sombre — la relation entre la pression et la densité d'énergie qui pilote l'expansion accélérée de l'univers — directement à partir d'observations comme les distances des supernovae ou les données du fond diffus cosmologique. Contrairement à l'ajustement traditionnel avec un modèle fixe (par exemple, une constante ou un polynôme), les processus gaussiens permettent aux données de « parler d'elles-mêmes », offrant une reconstruction flexible et non paramétrique qui quantifie également l'incertitude en chaque point.
Les processus gaussiens pour la régression ont été formalisés dans les années 1990, en s'appuyant sur des travaux antérieurs en géostatistique (krigeage) et en apprentissage automatique. Leur application à la reconstruction de l'énergie sombre est devenue populaire dans les années 2010, avec des articles clés de Holsclaw et al. et d'autres.
La méthode traite la fonction inconnue comme un tirage aléatoire d'un processus gaussien — une collection de variables aléatoires dont tout sous-ensemble fini suit une distribution gaussienne jointe. Une fonction de covariance (noyau) encode des hypothèses sur la régularité et la longueur de corrélation. Étant donné des points de données observés, le processus est conditionné sur ceux-ci, produisant une distribution a posteriori sur les fonctions. La moyenne de cette distribution a posteriori donne la meilleure estimation de la fonction, tandis que la variance donne des barres d'erreur qui augmentent dans les régions où les données sont rares. Les hyperparamètres du noyau sont généralement optimisés en maximisant la vraisemblance marginale.
Au-delà de la cosmologie, la régression par processus gaussiens est utilisée en robotique pour apprendre des politiques de contrôle, en prévision météorologique pour l'interpolation spatiale, et en optimisation bayésienne pour régler les hyperparamètres des modèles d'apprentissage automatique.
Les processus gaussiens sont une pierre angulaire de l'optimisation bayésienne moderne, qui est utilisée pour régler les paramètres des aimants du Grand collisionneur de hadrons.









