Veena Krishnaraj et Adrian Bayer, de l’université Princeton et du Flatiron Institute, ont divisé par dix le nombre de simulations nécessaires pour tester des scénarios cosmologiques au-delà du modèle standard. Sur un cas précis, pourtant, leur méthode donne une mauvaise réponse, et les deux chercheurs ont identifié la cause sans encore savoir comment y remédier.

Pour l'expérience, les chercheurs ont utilisé les simulations Quijote, une banque de 44 100 simulations N-body qui couvre plus de 7 000 modèles cosmologiques - ©Digital-stock / Shutterstock
Pour l'expérience, les chercheurs ont utilisé les simulations Quijote, une banque de 44 100 simulations N-body qui couvre plus de 7 000 modèles cosmologiques - ©Digital-stock / Shutterstock

Chaque simulation d’univers demande plusieurs semaines de calcul. Veena Krishnaraj et Adrian Bayer ont cherché un raccourci. On forme d’abord un réseau de neurones sur des simulations bon marché du ΛCDM, le modèle cosmologique standard, avant de le soumettre à un petit nombre de simulations plus complexes. Début juin, les deux chercheurs ont publié leurs résultats dans le Journal of Cosmology and Astroparticle Physics. Sur la plupart des scénarios, un facteur dix sépare leur méthode des approches classiques. Mais sur les neutrinos massifs, Veena et Adrian ont obtenu de mauvais résultats.

Le réseau avait appris à confondre deux signatures physiques distinctes

Pour l’expérience, les chercheurs ont utilisé les simulations Quijote, une banque de 44 100 simulations N-body qui couvre plus de 7 000 modèles cosmologiques. Sur 22 000 d’entre elles, le réseau a appris le ΛCDM. On lui a ensuite soumis des modèles avec neutrinos massifs, et là, l’écart est apparu.

Dans la structure cosmique à grande échelle, la masse des neutrinos laisse une empreinte mesurable. Dans les données, cette empreinte ressemble à celle du paramètre σ8, qui mesure le degré d’agrégation de la matière dans l’univers. Le réseau connaissait σ8 et a rangé l’effet des neutrinos dans cette case familière. Selon Veena Krishnaraj, le transfert négatif « naît de dégénérescences physiques sous-jacentes dans le modèle » et n’a rien d’aléatoire.

Deux images issues des simulations Quijote utilisées dans cette étude. Les panneaux représentent la même région de l'Univers, mais selon différents modèles cosmologiques. L'image du haut correspond au modèle ΛCDM standard, tandis que celle du bas illustre un Univers avec des neutrinos massifs et une gravité modifiée. Les différences sont subtiles, mais elles révèlent comment des modifications de la physique sous-jacente peuvent affecter la formation et la distribution des structures cosmiques - ©Francisco Villaescusa-Navarro
Deux images issues des simulations Quijote utilisées dans cette étude. Les panneaux représentent la même région de l'Univers, mais selon différents modèles cosmologiques. L'image du haut correspond au modèle ΛCDM standard, tandis que celle du bas illustre un Univers avec des neutrinos massifs et une gravité modifiée. Les différences sont subtiles, mais elles révèlent comment des modifications de la physique sous-jacente peuvent affecter la formation et la distribution des structures cosmiques - ©Francisco Villaescusa-Navarro

En médecine et en détection de fraudes, personne ne sait non plus pourquoi l’IA donne une mauvaise réponse

Et lorsqu’on remet les pieds sur Terre, c’est pareil. En médecine ou en détection de fraudes bancaires, des équipes reçoivent des alertes de leurs systèmes d’intelligence artificielle sans savoir quels indicateurs les ont déclenchées. En cosmologie, des physiciens pourraient valider de mauvaises conclusions sans jamais repérer l’erreur dans les données.

Au-delà du cas des neutrinos, Adrian Bayer y voit un mécanisme général. Quand on forme un réseau sur le ΛCDM, ses paramètres internes gardent la trace des dégénérescences de ce modèle. Face à de nouveaux scénarios physiques, le réseau relit les données à travers ce cadre. Pour Adrian Bayer, accélérer les calculs et comprendre les mécanismes vont de pair.

Les deux chercheurs ont prévu de reproduire l’expérience dans des conditions plus proches de données réelles, avec des incertitudes sur la formation des galaxies, des masques d’observation et du bruit instrumental. En avril 2026, les équipes du relevé DESI ont bouclé la cartographie de plus de 47 millions de galaxies et de quasars.

C’est exactement le type de données sur lequel Veena et Adrian veulent tester leurs garde-fous. Scénario par scénario, les deux chercheurs veulent établir dans quels cas l’apprentissage par transfert aide et dans quels cas il induit en erreur.

Source : Gizmodo