À Saclay, l’IA fait parler 100 millions de galaxies en sept nombres

À Saclay, dans l’Essonne, des chercheurs du CEA-Irfu ont participé à la conception d’une méthode capable de tirer davantage d’informations de quelque 100 millions de galaxies déjà observées. Avec leurs partenaires de l’Imperial College London et de l’University College London, ils obtiennent des mesures de l’Univers nettement plus précises, sans nouvelle observation.

Leur méthode associe la physique et l’intelligence artificielle pour condenser les données astronomiques en sept indicateurs statistiques. L’étude, mise en ligne en juin 2026 sous forme de prépublication scientifique, a été remise en lumière le 9 octobre par le CEA Paris-Saclay.

Les informations cachées dans les galaxies déformées

La matière noire est invisible, mais sa gravité dévie la lumière. En traversant l’Univers, les rayons provenant de galaxies lointaines sont légèrement courbés par la matière rencontrée sur leur trajet. Les galaxies nous apparaissent alors imperceptiblement déformées.

Ces distorsions, de quelques pour cent seulement, permettent aux cosmologistes de reconstituer la répartition de la matière. Encore faut-il les mesurer sur des millions de galaxies.

Les méthodes traditionnelles comparent principalement les déformations par paires, en fonction de leur séparation dans le ciel. Elles fonctionnent bien, mais décrivent imparfaitement les structures complexes que forme la matière en se regroupant. Une partie des informations contenues dans les cartes astronomiques échappe ainsi à l’analyse.

L’équipe a conservé ces statistiques éprouvées et entraîné des réseaux de neurones à rechercher ce qu’elles ne capturent pas : des motifs supplémentaires permettant de mieux distinguer la quantité de matière présente dans l’Univers, son degré de regroupement et les effets de l’énergie sombre.

La difficulté consiste à reconnaître une véritable information cosmologique plutôt qu’un défaut des observations. Pour cela, les chercheurs utilisent des simulations reproduisant les conditions du relevé, notamment les erreurs de mesure, l’incertitude sur la distance des galaxies et leurs alignements naturels.

Une incertitude presque divisée par deux

La méthode a été testée sur les observations recueillies pendant la troisième année du Dark Energy Survey (DES), un programme qui a mesuré les formes d’environ 100 millions de galaxies.

Les sept indicateurs obtenus permettent de contraindre simultanément trois paramètres cosmologiques. Sur l’indicateur global de précision de ces trois mesures, le résultat est 2,85 fois supérieur à celui de l’analyse traditionnelle des mêmes données.

Pour la densité de matière, le progrès est plus facile à saisir : l’incertitude, auparavant d’environ 4 à 5 points de pourcentage, tombe à 2,4 points. L’équipe estime ainsi que la matière représente 32,5 % de la densité totale de l’Univers, dans le modèle cosmologique étudié.

Ces mesures, parmi les plus précises obtenues par les seules lentilles gravitationnelles faibles, concordent avec celles du satellite Planck, qui a étudié le rayonnement laissé par le Big Bang. Elles resserrent les estimations sans expliquer encore la nature de la matière noire ou de l’énergie sombre.

À Saclay, préparer les cartes d’Euclid

Lucas Mäkinen, à l’Imperial College, a notamment développé l’algorithme hybride, et Joshua Williamson, à l’UCL, a participé à sa mise en œuvre sur les données du DES.

Natalia Porqueres, cosmologiste au CEA-Irfu de Saclay, a participé à la conception de l’algorithme et du principe scientifique des statistiques hybrides, comme le précise la publication.

Elle dirige également le projet européen OCAPi, accueilli au CEA et financé à hauteur de près de 1,5 million d’euros par le Conseil européen de la recherche. Lancé en avril 2026 pour cinq ans, il vise à exploiter les cartes astronomiques directement à l’échelle de leurs pixels, notamment celles de la mission spatiale Euclid.

Le télescope européen doit fournir des observations portant sur des milliards de galaxies. Le défi ne sera donc pas seulement d’accumuler davantage de données, mais d’en extraire des informations fiables sans en perdre au passage. À Saclay, l’équipe de Natalia Porqueres travaille précisément à franchir cette prochaine étape.