22 mai 2018
L'analyse d'image pour mieux révéler la matière noire
De nouvelles méthodes statistiques révèlent les plus fins détails de l'Univers

Une équipe dirigée par l'Université College de Londres (UCL), en collaboration avec le Département d'Astrophysique du CEA-Irfu, vient d'améliorer considérablement l'analyse des cartes de matière noire dans l'Univers grâce à de nouvelles méthodes d'analyse de données. Les cartes produites par cette analyse démontrent la puissance de ces nouvelles méthodes innovantes pour analyser les futurs grands ensembles de données comme ceux attendus de la prochaine grande mission cosmologique EUCLID. Ces résultats sont publiés dans la revue MNRAS.

 

Cartographier l'univers invisible

Avec des cartes plus précises de l'Univers, il sera possible de mieux comprendre les propriétés de l'Energie Noire (la cause inconnue de l'accélération de l'Univers) et de la Matière Noire (les 80% de matière invisible dans l'Univers). Les cartes de la matière noire sont faites en analysant la forme de milliers galaxies. Les photons émis par ces galaxies sont  déviés par l'effet de lentille gravitationnelle lié à la presence de matière noire, qui agit ainsi comme une "lentille" déformante. Cet effet, appelée « lentille gravitationnelle faible", est actuellement une technique inestimable pour étudier l'Univers. Mais elle nécessite d'analyser très finement la forme de ces galaxies souvent très lointaines. Pour tester de nouvelles méthodes d'analyse d'images, les chercheurs ont utilisé un catalogue existant, le Sondage d'Energie Sombre (DES-Dark Energy Survey) qui contient 1,6 million d'images de galaxies. Les gains en contraste et en résolution des images reconstruites sont considérablement améliorés. 

 
L'analyse d'image pour mieux révéler la matière noire

Le gain obtenu par les différentes méthodes de reconstruction d'image basées sur des méthodes nouvelles de traitement statistique. Le contraste et la résolution des images sont considérablement améliorés. Crédits UCL

Selon Niall Jeffrey, doctorant à Université College de Londres qui a coordonné cette étude, : "L'application de nouvelles méthodes de données nous permet de" voir "plus clairement les structures de la matière noire et de créer de meilleures cartes de la matière noire."  Les méthodes utilisées pour créer ces cartes améliorées ont également des applications variées bien au-delà de la cosmologie, dans le domaine des satellites environnementaux, de l'imagerie médicale et dans d'innombrables problèmes d'optimisation.
Cette étude a été réalisée dans le cadre du projet européen H2020 DEDALE mené par une collaboration européenne multidisciplinaire coordonné par le CEA qui conçoit de nouvelles techniques d'analyse de grands ensembles de données complexes. Le professeur Ofer Lahav (UCL Physique & Astronomie), co-fondateur de DES et codirecteur du Centre de formation doctorale en données scientifiques intensives de l'UCL, commente : «Nous observons la croissance remarquable des sondages de galaxies, partant de catalogues de quelques milliers de galaxies il y a 30 ans seulement. pour atteindre des centaines de millions avec le Sondage Energie Noire (DES) aujourd'hui et des milliards avec la prochaine génération de catalogues atendus. Les cartes reconstituées dans cette étude démontrent la puissance des nouvelles méthodes innovantes pour analyser ces futurs grands ensembles de données." Selon également Jean-Luc Starck du Département d'Astrophysique du CEA, co-auteur de ces travaux : "les progrès de l'analyse d'images sont tels qu'ils permettent de résoudre des problèmes qui nous semblaient insolubles auparavant.". Un bonus inestimable pour déchiffrer l'Univers !

 

Contact : Jean-Luc STARCK

Publication

"Improving Weak Lensing Mass Map Reconstructions using Gaussian and Sparsity Priors: Application to DES SV"
N. Jeffrey et al. (2018), MNRAS sous presse

pour une version électronique : arxiv.org/pdf/1801.08945

voir : le communiqué de presse University College de Londres (en anglais)

pour en savoir plus : le site DEDALE (Data Learning on Manifolds and Future Challenges)
voir aussi               : Une optique adaptative pour la radioastronomie (10 novembre 2016)
 

 

Maj : 23/05/2018 (4317)

 

Retour en haut