Des chercheurs du DAp/Irfu (CEA), notamment dans le cadre du projet ERC Starting OCAPI porté par Natalia Porqueres, ont contribué à une nouvelle méthode d’analyse des données de lentilles gravitationnelles faibles. En combinant des statistiques traditionnelles et des outils d’IA, cette approche permet d’extraire davantage d’informations des cartes cosmiques que les méthodes classiques.
La matière noire et l’énergie sombre, qui constituent 95 % de l’Univers, restent parmi les plus grands mystères de la science. Leur étude passe par la mesure de la répartition de la matière et de l’évolution des structures cosmiques. Or, exploiter les données des relevés modernes — cartographiant des centaines de millions de galaxies — est un défi statistique majeur.
Une étude récente, menées par des équipes de l’Imperial College, du CEA et de l’UCL, montre comment allier physique et apprentissage automatique pour en tirer plus d’enseignements. Une avancée cruciale à l’aube de l’ère des grands relevés, comme ceux de la mission Euclid ou du Legacy Survey of Space and Time de l’Observatoire Vera C. Rubin.
Les résultats ont été publiés dans https://arxiv.org/pdf/2606.11309
Lire l’Univers à travers les galaxies déformées
Les lentilles gravitationnelles faibles révèlent comment les structures cosmiques évoluent au fil du temps. Lorsque la lumière des galaxies lointaines voyage vers nous, son trajet est subtilement dévié par l’attraction gravitationnelle de la matière rencontrée en chemin.
Ces infimes distorsions modifient les formes apparentes des galaxies de seulement quelques pour cent. Mais, à l’échelle de dizaines ou de centaines de millions de galaxies, elles constituent une sonde puissante de la répartition de la matière dans l’Univers car elle reflète directement la répartition de la matière dans l’Univers et, par conséquent, celle de la matière noire.
Natalia Porqueres témoigne : « La plupart des analyses se contentent d’étudier la corrélation entre les paires de formes de galaxies en fonction des distances. Cela ne permet de saisir qu’une partie des informations contenues dans les données. Dans notre analyse, nous utilisons l’IA pour identifier les caractéristiques des données qui sont les plus informatives« .
Le Dark Energy Survey (DES) a cartographié les formes d’environ 100 millions de galaxies sur une zone du ciel environ 5 000 fois plus grande que la pleine Lune. Traditionnellement, la plupart des analyses de lentilles faibles réduisent cet ensemble de données colossal à un jeu de données relativement restreint. Avec les observations du DES, l’équipe a développé une méthode d’analyse hybride qui associe des techniques cosmologiques bien établies à des statistiques récapitulatives améliorées par l’IA, le tout dans un cadre qui suit soigneusement les incertitudes des données.
Natalia Porqueres témoigne : « Cette méthode d’IA (les statistiques hybrides) est innovante. Notre doctorant l’a mise au point au cours des deux dernières années et ces résultats constituent la première application de cette technique aux données.
Appliquée aux données de lentilles gravitationnelles faibles de la troisième année du DES, cette méthode fournit les contraintes cosmologiques les plus précises jamais obtenues basées uniquement sur l’effet de lentille gravitationnelle faible, tant de la densité de matière de l’Univers que de l’intensité de l’agrégation cosmique. »
Les résultats sont également cohérents avec les mesures du satellite Planck, qui a cartographié le rayonnement fossile laissé par le Big Bang, résolvant ainsi une tension de longue date entre les observations de lentille gravitationnelle faible et les mesures de l’Univers primordial.
Contact: Natalia Porqueres
voir aussi l’actualité de l’Imperial college
