Matière noire ou bruit cosmique ? Un nouvel algorithme peut détecter la véritable cause

Séparer les instances de matière noire interagissant avec elle-même des grondements de l’univers est une tâche délicate, mais désormais, un chercheur a développé un algorithme qui pourrait simplifier ce travail.

L'algorithme d'apprentissage profond (c'est vrai, il s'agit en réalité d'IA) est capable de distinguer les interactions entre la matière noire et les rétroactions générées par des sources cosmiques bruyantes, telles que les noyaux galactiques actifs avec des trous noirs supermassifs en leur cœur. Les recherches décrivant cette approche ont été publiées aujourd'hui dans Astronomie de la nature.

La matière noire est le terme générique qui désigne environ 27 % de l'univers, invisible à nos yeux. En d'autres termes, une grande partie de la matière de l'univers n'émet pas de lumière, ce qui la rend impossible à observer directement au moyen de télescopes. Cependant, la matière noire interagit avec son environnement de manière gravitationnelle, ce qui permet aux chercheurs d'observer ses effets à des échelles massives, comme dans les halos autour des galaxies et dans les anneaux d'Einstein.

Pour trouver ces signaux subtils de matière noire interagissant occasionnellement avec elle-même au milieu du brouhaha de l’univers, le chercheur – David Harvey, astronome à l’École polytechnique fédérale de Lausanne – a entraîné un réseau neuronal convolutionnel à partir d’images du projet BAHAMAS-SIDM. Le projet « modélise les amas de galaxies dans différents scénarios de rétroaction de matière noire et d’AGN », selon le communiqué de l’université. À mesure que le réseau neuronal était alimenté par des images de ces amas de galaxies, il a appris à distinguer les signaux associés aux interactions de la matière noire de ceux causés par les noyaux galactiques.

« Les informations de lentille faible différencient principalement la matière noire auto-interagissante, tandis que les informations de rayons X démêlent différents modèles de rétroaction astrophysique », a écrit Harvey dans l'étude.

Le réseau neuronal le plus précis a été baptisé Inception. Dans des conditions idéales, Inception a atteint une précision de 80 % et a conservé cette performance lorsque du bruit d'observation a été ajouté au système. Le bruit d'observation est normal dans toutes les données de télescope, comme celles d'Euclid, le télescope spatial de l'ESA à 1,4 milliard de dollars, qui va photographier des milliards de galaxies dans le cadre de son étude de la matière noire et de l'énergie noire.

« Cette méthode représente un moyen d’analyser les données des futurs télescopes qui sont d’un ordre de grandeur plus précises et de plusieurs ordres plus rapides que les méthodes actuelles, nous permettant d’explorer les propriétés de la matière noire comme jamais auparavant », a ajouté Harvey dans l’article.

Même si nous sommes encore loin d’identifier les particules ou les phénomènes responsables de la matière noire, les approches de l’IA sur ce sujet pourraient accélérer les découvertes scientifiques sur la nature de cette matière inconnue. Grâce à des télescopes comme Euclid, les chercheurs disposent d’une quantité considérable de données à éplucher dans leur quête de réponses. Des algorithmes comme ceux qui sous-tendent Inception pourraient accélérer les recherches sur ces données.