ENGINEERINGNET.BE - La matière noire est la force invisible qui, selon nous, maintient la cohésion de l’Univers. Elle représente environ 85% de l’ensemble de la matière et 27% du contenu de l’Univers.
Malgré des décennies de recherche, la véritable nature de la matière noire fait partie des mystères que la science n’a pas encore percés.
D’après une théorie phare, la matière noire pourrait être constituée de particules qui n’interagissent pratiquement pas avec un autre élément, si ce n’est par le biais de la gravité.
Mais certains scientifiques pensent que ces particules pourraient occasionnellement interagir entre elles, un phénomène appelé auto-interaction.
La détection de telles interactions apporterait des informations essentielles sur les propriétés de la matière noire.
Cependant, distinguer les signes subtils des auto-interactions de la matière noire des autres effets cosmiques est un défi majeur et complexe.
La rétroaction des NAG (noyaux actifs de galaxie) peut par ex. déplacer la matière d’une manière similaire aux effets de la matière noire, ce qui complique la distinction entre les deux.
À l’EPFL, l’astronome David Harvey du Laboratoire d’Astrophysique a mis au point un algorithme d’apprentissage profond capable de démêler ces signaux complexes.
Sa méthode basée sur l’IA a pour but de différencier les effets de l’auto-interaction de la matière noire de ceux de la rétroaction des NAG en analysant des images d’amas de galaxies, c’est-à-dire de vastes collections de galaxies liées entre elles par la gravité.
Cette innovation laisse augurer une amélioration de la précision des études sur la matière noire. L’approche basée sur l’IA, pourrait s’avérer très utile pour analyser les vastes quantités de données que nous collectons dans l’Espace.
De plus, la capacité de l’IA à traiter des données inédites indique qu’elle est adaptable et fiable, ce qui en fait un outil prometteur pour les futures recherches sur la matière noire. (Auteur: Nik Papageorgiou - Source: EPFL)
