Un nouveau modèle d’intelligence artificielle permet de mieux comprendre la matière noire, composante invisible qui façonne l’Univers, en analysant la structure des amas de galaxies. Développé par des chercheurs chinois, cet outil promet de distinguer différents scénarios théoriques sur la nature de cette matière mystérieuse.
L’étude de la matière noire repose en grande partie sur l’observation des amas de galaxies, où elle représente l’essentiel de la masse totale. Les modèles d’IA se sont avérés utiles pour identifier des schémas dans les données astronomiques, mais leur manque de transparence a longtemps limité leur potentiel. Il est souvent difficile de comprendre comment ces modèles parviennent à leurs conclusions, et si celles-ci reflètent réellement des principes physiques.
Pour pallier ce problème, des physiciens et des astronomes ont mis au point des IA plus “interprétables”, capables d’apprendre des représentations analysables et reliées à des structures mathématiques ou physiques connues. Une approche particulièrement prometteuse consiste à utiliser des architectures où les fonctions d’activation – des éléments clés du fonctionnement des réseaux de neurones – ne sont pas fixes, mais sont elles-mêmes apprises à partir des données. Cela facilite l’identification des liens entre les différentes grandeurs physiques et permet de comparer les résultats avec les prédictions théoriques.
La matière noire, qui constitue environ 85 % de la matière de l’Univers, ne peut être observée directement car elle n’interagit pas avec la lumière. Sa présence est déduite de ses effets gravitationnels sur les galaxies, les amas de galaxies, et la déformation de la lumière des objets lointains (lentilles gravitationnelles). Malgré des décennies de recherche, sa nature exacte reste inconnue.
Le modèle standard suppose une matière noire dite “froide” et “sans interaction”, qui explique bien la structure à grande échelle de l’Univers. Cependant, il peine à rendre compte de certains phénomènes observés à plus petite échelle. Une alternative est la théorie de la matière noire auto-interactive (SIDM), qui postule que les particules de matière noire interagissent faiblement entre elles. Ces interactions pourraient redistribuer l’énergie et la quantité de mouvement au sein des halos galactiques, ce qui pourrait expliquer certaines observations.
Les chercheurs chinois ont développé un nouveau modèle d’IA interprétable, appelé Réseau Convolutif Kolmogorov-Arnold (CKAN). Contrairement aux réseaux neuronaux convolutifs traditionnels, le CKAN utilise des fonctions d’activation entraînables, lui permettant d’apprendre des représentations plus flexibles et physiquement significatives. Le modèle a été entraîné à l’aide de simulations cosmologiques d’amas de galaxies, en utilisant des images représentant la distribution de la masse totale, la masse stellaire et l’émission de rayons X.
L’analyse des représentations produites par le CKAN a révélé que le réseau se concentrait sur des grandeurs physiques clés, comme le décalage entre le centre du halo de matière noire et le centre de l’amas de galaxies. Ces résultats correspondent aux prédictions théoriques, suggérant que le modèle capture de véritables relations physiques et non de simples corrélations statistiques.
En combinant les mesures d’erreur avec les diagnostics d’interprétabilité, les chercheurs ont estimé que, à l’échelle des amas de galaxies, l’hypothèse SIDM implique une section efficace d’interaction minimale d’environ 0,1 à 0,3 cm²/g. Cette fourchette est cohérente avec les estimations issues de simulations cosmologiques récentes. Le CKAN a maintenu ses performances même en présence de bruit d’observation, maintenant les erreurs à des niveaux comparables.
Ces travaux, publiés dans The Astronomical Journal en décembre 2025 (Huang et al., 2025), ouvrent de nouvelles perspectives pour l’étude de la matière noire et la validation des modèles cosmologiques.
