Une IA pour explorer le mystère de la matière noire
La matière noire reste l’un des plus grands mystères de l’univers, représentant environ 85 % de toute la matière. Récemment, une nouvelle avancée dans le domaine de l’intelligence artificielle (IA) pourrait aider les scientifiques à mieux comprendre cette mystérieuse substance. Un algorithme d’apprentissage profond va être utilisé pour analyser des images de collisions de galaxies, à la recherche des indices de la matière noire.
Les halos de matière noire autour des galaxies
Selon le modèle standard de la cosmologie, chaque galaxie est entourée d’un halo de matière noire, tout comme les amas de galaxies qui se trouvent également au sein de vastes halos. Bien que nous ne puissions pas voir directement la matière noire, son influence gravitationnelle sur les objets visibles dans l’univers nous permet de la détecter indirectement. En observant comment la gravité déforme l’espace, les scientifiques peuvent déterminer la distribution de la matière noire.
Collisions entre amas de galaxies
Les collisions entre deux amas de galaxies, qui contiennent des galaxies, du gaz chaud et de la matière noire, soulèvent des questions importantes sur la nature de celle-ci. La manière dont une collision se déroule est déterminée par une propriété clé de la matière noire, appelée section efficace d’interaction. Ce paramètre définit la manière dont la matière noire interagit avec elle-même et avec la matière ordinaire uniquement par la gravité.
Si la section efficace d’interaction est élevée, les particules de matière noire des deux halos collidents vont interagir, ce qui ralentira la matière noire. En revanche, les galaxies continueront de passer, car leurs vastes espaces entre les étoiles rendent les véritables « collisions » rares. De plus, d’énormes nuages d’hydrogène dans ces amas entreront en collision, émettant des rayons X en raison de la chaleur générée.
Les défis liés à l’observation des collisions galactiques
Néanmoins, observer ces collisions pose plusieurs défis. D’une part, elles se produisent sur des échelles de temps et de distance bien trop grandes pour que l’on puisse saisir leur évolution. Les astrophysiciens ne peuvent donc capturer que des instantanés à différents stades et angles, rendant chaque fusion d’amas unique. De plus, les vents de radiation provenant de galaxies dotées de trous noirs actifs, comme M87, affectent également la répartition de la matière normale et de la matière noire.
Un algorithme innovant pour analyser les données
Pour aider à clarifier ces observations, David Harvey de l’École Polytechnique Fédérale de Lausanne a développé un algorithme d’apprentissage profond capable de reconnaître des motifs dans les images de collisions d’amas de galaxies issues du projet BAHAMAS. Cet algorithme, une Réseau de Neurones Convolutifs (CNN), a été formé sur des simulations de collisions de galaxies, incluant différents scénarios avec ou sans matière noire.
Harvey a constaté que la version la plus complexe de son algorithme, surnommée « Inception », possède un taux de réussite de 80 % dans l’identification de ces collisions simulées.
Des projets en cours pour étudier la matière noire
D’autres projets sont en cours pour observer les collisions d’amas de galaxies, notamment le télescope spatial Hubble et l’Observatoire X-ray Chandra. Plus récemment, l’Agence spatiale européenne a lancé la mission Euclid, dédiée à l’étude de l’univers sombre et de la présence de matière noire. Ces efforts, combinés aux résultats de l’algorithme « Inception », pourraient permettre de percer rapidement le mystère de la matière noire.
Les résultats de l’algorithme de Harvey ont été publiés le 6 septembre dans la revue Nature Astronomy.