$\texttt{SBi3PCF:}$ Simulation-based inference with the integrated 3PCF

Imaginez l'univers comme un gigantesque océan invisible de matière, s'étendant du Big Bang à nos jours. La majeure partie de cet océan est composée de « matière noire », une substance mystérieuse que nous ne pouvons pas voir directement, mais dont nous connaissons l'existence grâce à sa gravité. Lorsque la lumière des galaxies lointaines traverse cet océan cosmique, la gravité de la matière noire agit comme un miroir déformant, étirant et tordant légèrement la forme de ces galaxies. Ce phénomène est appelé « lentillage gravitationnel faible ». En mesurant ces minuscules distorsions dans la forme de milliards de galaxies, les astronomes peuvent cartographier la matière noire invisible et comprendre les règles qui régissent la croissance et l'expansion de l'univers.

Pendant longtemps, les scientifiques ont observé ce miroir cosmique à l'aide d'outils simples, comme la mesure de la corrélation entre les formes de paires de galaxies. C'est comme regarder les ondulations sur un étang pour deviner la vitesse du vent. Mais l'univers est désordonné et complexe, et ces mesures simples ne racontent qu'une partie de l'histoire. Elles passent à côté des secrets d'« ordre supérieur » — les motifs complexes et non linéaires qui se produisent lorsque trois galaxies ou plus interagissent d'une manière spécifique. Pour déverrouiller ces secrets, les scientifiques doivent observer des formes plus complexes, comme les triangles formés par trois galaxies, plutôt que de simples paires. Cependant, ces motifs complexes sont notoirement difficiles à prédire avec les mathématiques standards car le comportement de l'univers devient trop sauvage et imprévisible pour être géré par des formules simples.

C'est ici qu'intervient l'article. Les auteurs, dirigés par David Gebauer et Anik Halder, ont construit un nouvel outil numérique appelé SBi3PCF pour percer ce code. Au lieu de tenter de forcer l'univers dans une boîte mathématique simple, ils ont décidé de laisser l'univers leur enseigner les règles en utilisant de massives simulations informatiques réalistes. Imaginez que vous essayez d'apprendre à cuisiner le gâteau parfait. Au lieu de simplement lire une recette (l'ancienne méthode mathématique), ils ont cuit des milliers de gâteaux dans une cuisine virtuelle, en changeant légèrement les ingrédients à chaque fois, puis ont utilisé une IA très intelligente pour apprendre exactement comment les ingrédients affectent le goût final.

Dans leur étude, ils ont simulé le champ de cisaillement cosmique — le motif de distorsion des formes de galaxies — en utilisant une puissante suite de simulations appelée CosmoGridV1. Ils n'ont pas seulement simulé la matière noire ; ils ont inclus tous les « effets systématiques » réels et désordonnés qui rendent les observations réelles complexes, tels que les erreurs de mesure des distances des galaxies, l'influence de la matière normale (baryons) s'agglutinant, et le bruit aléatoire des formes de galaxies. Ils ont ensuite utilisé une technique appelée Inférence Basée sur la Simulation (SBI) avec un réseau de neurones (un type d'IA) pour apprendre la relation entre les paramètres de la simulation et les données résultantes.

L'équipe s'est concentrée sur une statistique spécifique et complexe appelée la fonction de corrélation à 3 points intégrée (i3PCF). Vous pouvez considérer la mesure standard à « 2 points » comme vérifiant comment deux galaxies sont liées, tandis que la mesure à « 3 points » vérifie comment un trio de galaxies est lié entre lui. L'i3PCF est une façon ingénieuse de mesurer ces relations de trios sans avoir besoin de reconstruire d'abord la carte invisible de l'univers.

Voici ce qu'ils ont trouvé :

• Le mythe Gaussien : Pendant longtemps, les scientifiques ont supposé que le « bruit » statistique de leurs données suivait une belle courbe en cloche lisse (une distribution gaussienne). Les auteurs ont testé cela et ont découvert que, si les données simples à « 2 points » s'ajustent bien à cette courbe en cloche, les données combinées incluant les mesures complexes à « 3 points » (i3PCF) ne le font pas. La distribution devient asymétrique et étrange, surtout pour les grandes échelles. Cela signifie que les anciennes méthodes mathématiques reposant sur la courbe en cloche donneraient des résultats inexacts pour ces nouvelles données. Leur approche par IA, cependant, ne se soucie pas de la forme de la courbe ; elle apprend la véritable distribution désordonnée directement à partir des simulations.
• Des distractions négligeables : Ils ont vérifié si deux effets spécifiques — le regroupement des galaxies sources (où les galaxies en arrière-plan ne sont pas parfaitement aléatoires) et le cisaillement réduit (une correction subtile de la façon dont nous mesurons la distorsion) — pourraient fausser leurs mesures. Ils ont constaté que, pour l'échelle des relevés actuels (comme le Dark Energy Survey Year 3), ces effets sont si infimes qu'ils peuvent être ignorés en toute sécurité. Le signal de la matière noire est bien plus fort que ces petits dysfonctionnements.
• Un gain majeur de précision : Lorsqu'ils ont appliqué leur nouveau pipeline d'IA à des données fictives (des observations simulées ressemblant aux observations réelles), l'ajout de l'i3PCF aux mesures standards a fait une énorme différence. Cela a amélioré la précision de leurs contraintes cosmologiques d'une médiane de 63,8 %. Plus précisément, cela a permis de mieux fixer les valeurs de la densité de matière ($\Omega_m$), de l'agrégation de la matière ($\sigma_8$) et de l'équation d'état de l'énergie noire ($w_0$) que auparavant. L'amélioration a été la plus spectaculaire pour $\sigma_8$, où l'incertitude a diminué d'environ 31,0 %.

L'article conclut que ce nouveau cadre, SBi3PCF, est une méthode robuste et précise pour analyser ces motifs cosmiques complexes. Il prouve qu'en utilisant les simulations et l'IA pour contourner le besoin de formules mathématiques parfaites, les scientifiques peuvent extraire beaucoup plus d'informations de leurs signaux de lentillage faible. Cela ouvre la voie aux futurs relevés, encore plus vastes (comme ceux de la mission Euclid et de l'Observatoire Vera C. Rubin), pour utiliser ces statistiques d'ordre supérieur afin de résoudre les plus grands mystères du cosmos, tout en tenant compte de la réalité désordonnée de nos observations de l'univers.