Les simulations de l'Univers par supercalculateur coûtent une fortune astronomique. Le calcul de l'évolution de milliards de galaxies nécessite des semaines de travail sur les grappes de serveurs les plus puissantes. Rien d'étonnant donc à ce que les astrophysiciens aient confié cette tâche répétitive à l'intelligence artificielle. Cependant, cette médaille a son revers. L'optimisation des calculs a failli barrer la route à la découverte d'une nouvelle physique.
Une équipe de chercheurs de Princeton et de l'Institut Flatiron, dirigée par Veena Krishnaraj et Adrian Bayer, a décidé d'appliquer la méthode de l'apprentissage par transfert (transfer learning) à la cosmologie. Le principe est séduisant : plutôt que de lancer de lourdes simulations à partir de zéro, le réseau de neurones est d'abord « entraîné » sur des modèles simples et peu coûteux de l'Univers standard (Λ CDM). Ensuite, l'IA subit un léger perfectionnement sur des modèles plus avancés, qui intègrent les lois de la gravité alternative ou la masse des neutrinos.
Les économies réalisées ont été colossales. Les dépenses liées à l'utilisation des supercalculateurs ont chuté de plus de dix fois. Une véritable percée ? Pas tout à fait.
En s'appuyant sur le célèbre ensemble d'univers virtuels Quijote, les scientifiques ont mis au jour une erreur systémique cachée. En apprentissage automatique, on appelle cela le « transfert négatif ». Confronté aux manifestations d'une physique fondamentalement nouvelle, le réseau de neurones s'obstine à vouloir les faire correspondre à son expérience passée.
Le nœud du problème réside dans ce qu'on appelle la dégénérescence physique. Il s'agit d'une situation où des processus cosmiques totalement différents produisent des signatures identiques sur les clichés des télescopes. Par exemple, l'influence des neutrinos massifs sur les amas de galaxies est visuellement presque indiscernable des fluctuations standards de densité de la matière (le paramètre sigma 8). L'IA, formée sur des modèles de base, reconnaît un schéma familier et affirme avec assurance : « Tout est normal, c'est l'Univers standard ». Le signal d'une nouvelle physique se retrouve alors purement et simplement gommé par l'algorithme.
Quelles sont les conséquences pour nous ? Il est encore impossible de se fier totalement à l'autonomie des réseaux de neurones pour débusquer les anomalies cosmiques. Si l'IA est un formidable accélérateur pour les tâches de routine, le contrôle final de la détection des écarts demeure la prérogative de l'humain.
Si la méthode est actuellement testée sur des modèles synthétiques, elle devra bientôt affronter d'immenses volumes de données issus des nouveaux télescopes optiques. Comprendre ce défaut permettra aux physiciens de corriger les algorithmes d'apprentissage. À terme, cela conduira à la création de systèmes plus souples, capables non seulement de confirmer les manuels classiques, mais aussi de repérer les anomalies susceptibles de bouleverser notre vision de l'espace et du temps.
L'effet d'aveuglement des algorithmes est dû à la dégénérescence physique — une situation où des phénomènes cosmiques radicalement distincts génèrent des signaux observables identiques.
Jusqu'à présent, la méthode a été testée exclusivement sur des données synthétiques. La prochaine étape consiste en une vérification par des relevés réels du ciel nocturne. Cette étude définit clairement les limites : l'IA peut accélérer considérablement les calculs répétitifs, mais la quête finale d'anomalies hors du Modèle Standard exige encore une supervision humaine rigoureuse. Ces technologies nous mèneront vers un test d'hypothèses plus rapide, à condition d'apprendre aux algorithmes à douter de leurs propres bases de données.
