Des algorithmes d’apprentissage automatique sont maintenant à la recherche de la matière noire


Des algorithmes d’apprentissage automatique peuvent aider les ordinateurs à apprendre à extraire l’information sur la matière noire et l’énergie noire des cartes de l’Univers, rapportent les chercheurs.

Comprendre comment notre Univers est devenu ce qu’il est aujourd’hui et quel sera son destin final est l’un des plus grands défis de la science. L’exposition impressionnante d’innombrables étoiles par une nuit claire nous donne une idée de l’ampleur du problème, et pourtant ce n’est qu’un aspect de l’histoire. L’énigme la plus profonde réside dans ce que nous ne pouvons pas voir, du moins pas directement : la matière noire et l’énergie noire.

Avec la matière noire qui rapproche l’Univers et l’énergie noire qui le fait s’étendre plus rapidement, les cosmologistes ont besoin de savoir exactement quelle quantité de ces deux éléments est disponible afin d’affiner leurs modèles.

Aujourd’hui, les chercheurs s’efforcent d’améliorer les méthodes normalisées d’estimation de la teneur en matière noire de l’Univers par le biais de l’intelligence artificielle. Ils ont utilisé des algorithmes d’apprentissage machine de pointe pour l’analyse de données cosmologiques qui ont beaucoup en commun avec ceux utilisés pour la reconnaissance faciale par Facebook et autres médias sociaux.

Reconnaissance faciale cosmique

Bien qu’il n’y ait pas de visages à reconnaître sur les photos du ciel nocturne, les cosmologistes recherchent toujours quelque chose d’assez similaire.

“Facebook utilise ses algorithmes pour trouver les yeux, les bouches ou les oreilles dans les images ; nous utilisons les nôtres pour rechercher les signes révélateurs de la matière noire et de l’énergie noire”, explique Tomasz Kacprzak, chercheur au sein du groupe Alexandre Refregier de l’Institut de physique et d’astrophysique des particules de l’ETH Zurich.

Comme la matière noire ne peut pas être vue directement dans les images des télescopes, les physiciens s’appuient sur le fait que toute la matière – y compris la variété sombre – courbe légèrement le chemin des rayons lumineux arrivant à la Terre en provenance de galaxies éloignées. Cet effet, connu sous le nom de lentille gravitationnelle faible, déforme très subtilement les images de ces galaxies, un peu comme les objets lointains semblent flous lors d’une journée chaude lorsque la lumière traverse des couches d’air à différentes températures.

Les cosmologistes peuvent utiliser cette distorsion pour travailler en arrière et créer des cartes de masse du ciel montrant où se trouve la matière noire. Ensuite, ils comparent ces cartes de matière noire aux prédictions théoriques afin de trouver le modèle cosmologique qui correspond le mieux aux données. Traditionnellement, cela se fait à l’aide de statistiques conçues par l’homme, telles que les fonctions dites de corrélation qui décrivent comment les différentes parties des cartes sont reliées les unes aux autres. Toutefois, ces statistiques sont limitées quant à la mesure dans laquelle elles permettent de trouver des modèles complexes dans les cartes de la matière.

Apprendre par soi-même

“Dans notre travail récent, nous avons utilisé une méthodologie complètement nouvelle”, dit Refregier. “Au lieu d’inventer nous-mêmes l’analyse statistique appropriée, nous laissons les ordinateurs faire le travail.”

C’est là qu’Aurelien Lucchi et ses collègues du Data Analytics Lab du département informatique interviennent. En collaboration avec l’auteure principale Janis Fluri, étudiante au doctorat dans le groupe de Refregier, les chercheurs ont utilisé des algorithmes d’apprentissage machine appelés réseaux neuronaux artificiels profonds et leur ont appris à extraire la plus grande quantité possible d’information des cartes de matière noire.

Dans un premier temps, les scientifiques ont formé les réseaux neuronaux en leur fournissant des données générées par ordinateur qui simulent l’Univers. De cette façon, ils savaient quelle devrait être la bonne réponse pour un paramètre cosmologique donné – par exemple, le rapport entre la quantité totale de matière noire et l’énergie sombre – pour chaque carte de matière noire simulée.

En analysant à plusieurs reprises les cartes de la matière noire, le réseau neuronal a appris à y rechercher les bonnes caractéristiques et à en extraire de plus en plus d’informations. Dans l’analogie avec Facebook, il est devenu plus facile de distinguer les formes ovales aléatoires des yeux ou des bouches.

Précision supérieure à celle des humains

Les résultats de cette formation ont été encourageants : les réseaux neuronaux ont produit des valeurs 30 % plus précises que celles obtenues par les méthodes traditionnelles basées sur l’analyse statistique humaine. Pour les cosmologistes, il s’agit là d’une énorme amélioration, car atteindre la même précision en augmentant le nombre d’images télescopiques nécessiterait deux fois plus de temps d’observation, ce qui est coûteux.

Enfin, les scientifiques ont utilisé leur réseau neuronal entièrement formé pour analyser les cartes réelles de la matière noire de l’ensemble de données KiDS-450.

“C’est la première fois que de tels outils d’apprentissage machine sont utilisés dans ce contexte”, explique Fluri, “et nous avons découvert que le réseau neuronal artificiel profond nous permet d’extraire plus d’informations des données que les approches précédentes. Nous pensons que cette utilisation de l’apprentissage automatique en cosmologie aura de nombreuses applications futures.”

Comme prochaine étape, ils prévoient d’appliquer leur méthode à des séries d’images plus grandes telles que le Dark Energy Survey. De plus, ils alimenteront les réseaux neuronaux en paramètres cosmologiques et en raffinements, tels que des détails sur la nature de l’énergie sombre.

Lire aussi : Et si la matière noire était née avant le Big Bang ? Cette nouvelle théorie pourrait aider à la détecter

Source : Futurity – Traduit par Anguille sous roche

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *