Self-calibration of weak lensing cosmic shear biases

Au plus profond du ciel nocturne, des milliards de galaxies lointaines sont étirées et déformées par l'échafaudage invisible de l'univers. Ce phénomène, connu sous le nom de lentillage gravitationnel faible, se produit lorsque la gravité de structures massives, telles que la matière noire, courbe la trajectoire de la lumière voyageant de ces galaxies lointaines vers la Terre. En mesurant ces infimes distorsions, les astronomes peuvent cartographier la distribution de la matière noire et comprendre comment l'univers a évolué au fil du temps. Cependant, pour transformer ces formes ténues en mesures précises du cosmos, les scientifiques doivent d'abord s'assurer que leurs outils sont parfaits. Même la moindre erreur dans la façon dont un télescope enregistre une image, ou dans la façon dont un ordinateur calcule la forme d'une galaxie, peut introduire un biais systématique. Si ces erreurs ne sont pas corrigées, elles peuvent conduire à de fausses conclusions sur la nature de l'énergie noire et le destin de l'univers.

Pendant des années, la méthode standard pour corriger ces erreurs a consisté à s'appuyer sur de massives simulations informatiques. Les scientifiques créent des univers fictifs aux propriétés connues, les font passer à travers leur logiciel de mesure, et observent comment les résultats diffèrent de la vérité. Ils utilisent ensuite ces différences pour calibrer leurs données réelles. Mais à mesure que les télescopes deviennent plus puissants et que la précision requise devient plus stricte, le recours exclusif aux simulations devient un goulot d'étranglement. Les simulations sont coûteuses, complexes, et soulèvent des questions quant à savoir si elles reflètent réellement la réalité désordonnée du ciel. Une nouvelle approche est nécessaire — une approche capable de trouver et de corriger ces erreurs en utilisant les données réelles elles-mêmes, sans avoir besoin d'une simulation distincte pour lui indiquer ce qui ne va pas.

Dans une étude récente, les chercheurs Giuseppe Congedo et Andy Taylor ont proposé une méthode pour faire précisément cela. Ils ont développé un moyen d'auto-calibrer les mesures du cisaillement cosmique en observant directement la distribution statistique des formes des galaxies dans le ciel. Au lieu de traiter chaque galaxie comme une pièce de puzzle individuelle qui doit être corrigée une par une, ils ont considéré l'ensemble de la collection de formes comme un motif unique et mouvant. Leur idée centrale est que, bien que la mesure de chaque galaxie soit bruitée et imprévisible, la forme globale de la distribution de millions de galaxies suit des règles mathématiques strictes. Lorsque des erreurs de mesure, appelées biais, s'immiscent, elles déforment l'ensemble de ce motif d'une manière spécifique et prévisible.

Les chercheurs se sont concentrés sur deux types d'erreurs qui parasitent couramment ces mesures. Le premier est une erreur additive, qui agit comme un décalage constant, poussant la forme moyenne des galaxies dans une direction spécifique. Le second est une erreur multiplicative, qui agit comme un zoom ou un étirement, faisant paraître la distribution entière des formes plus large ou plus étroite qu'elle ne l'est réellement. Par le passé, les scientifiques ont pu corriger les décalages additifs en examinant les données, mais l'étirement multiplicatif a été beaucoup plus difficile à déterminer sans simulations externes. Congedo et Taylor ont montré qu'en analysant la distribution complète des formes de galaxies, y compris son pic aigu au centre et ses queues longues et fines, ils pouvaient mathématiquement séparer le véritable signal cosmique de ces deux types d'erreurs simultanément.

Pour tester leur méthode, l'équipe a créé une simulation réaliste d'un relevé de galaxies. Ils ont commencé avec une distribution parfaite et connue de formes de galaxies, puis ont délibérément introduit des quantités spécifiques d'erreurs additives et multiplicatives, ainsi que le bruit aléatoire attendu d'un véritable télescope. Ils ont ensuite appliqué leur nouvelle technique statistique à ces données bruitées et biaisées. La méthode a fonctionné en construisant un modèle mathématique flexible de ce à quoi les formes des galaxies devraient ressembler, puis en posant la question : « Quelle combinaison d'étirement, de décalage et de bruit transformerait ce modèle parfait en les données désordonnées que nous voyons ? » En effectuant ce processus des millions de fois, ils ont pu trouver les valeurs les plus probables pour les erreurs.

Les résultats ont été frappants. Même en présence de bruit et de l'interaction complexe entre les différents paramètres, la méthode a réussi à récupérer la quantité exacte d'erreur qui avait été injectée dans la simulation. Les chercheurs ont constaté que la technique pouvait déterminer l'erreur multiplicative à une fraction de pourcentage près, un niveau de précision requis pour la prochaine génération de télescopes spatiaux. Crucialement, cela a été accompli sans connaître la réponse réelle au préalable et sans dépendre d'aucune simulation externe pour fournir une base de référence. La méthode a effectivement « résolu » les erreurs en utilisant la cohérence interne des données elles-mêmes.

L'un des aspects les plus significatifs de ce travail est qu'il ne dépend pas d'hypothèses sur les formes spécifiques des galaxies ou sur les détails de la cosmologie. Il traite les formes de galaxies comme une population statistique, ce qui signifie qu'il fonctionne indépendamment du fait que les galaxies soient spirales ou elliptiques, ou que l'univers soit en expansion rapide ou lente. Les chercheurs ont également démontré que la méthode est robuste face aux petites imperfections du modèle. Même si la description mathématique des formes de galaxies n'était pas un accord parfait avec la réalité, les erreurs dans la calibration finale restaient très faibles. Cela suggère que la technique est pratique pour une application dans le monde réel, où la distribution véritable des formes de galaxies n'est jamais parfaitement connue.

L'étude a également abordé une préoccupation courante : que les erreurs soient si étroitement liées aux variations naturelles des formes de galaxies qu'elles ne puissent être séparées. Les chercheurs ont montré que, bien que certains des paramètres sous-jacents soient effectivement liés, le processus statistique qu'ils ont utilisé permet de les démêler efficacement. En examinant l'ensemble de la distribution plutôt que la simple moyenne, ils ont pu distinguer une dispersion naturelle des formes de galaxies d'un étirement artificiel causé par des erreurs de mesure. Cette capacité à distinguer les deux est ce qui permet à la méthode de fonctionner sans avoir besoin de connaître les propriétés exactes des galaxies à l'avance.

Cette nouvelle approche offre un outil puissant pour les futurs relevés, tels que ceux prévus pour les télescopes Euclid et Rubin, qui visent à cartographier l'univers avec une précision sans précédent. En fournissant un moyen de calibrer les mesures directement à partir des données, elle réduit la dépendance vis-à-vis des simulations massives et gourmandes en ressources. Bien que la méthode ait été testée sur des données simulées, les chercheurs soutiennent que les mêmes principes s'appliquent aux observations réelles. La flexibilité du modèle, capable de s'adapter à différents types de données, signifie qu'il peut être appliqué à divers sous-ensembles de galaxies, tels que ceux situés à différentes distances ou dans différentes parties du ciel.

En fin de compte, ce travail représente un changement dans la manière dont les astronomes conçoivent la calibration. Au lieu de considérer les erreurs comme un désagrément devant être corrigé par une référence externe, la méthode traite les erreurs comme une caractéristique des données qui peut être décodée. Elle transforme le défi de l'incertitude de mesure en un problème statistique soluble. En prouvant que les biais multiplicatifs et additifs peuvent être déduits conjointement de la distribution observée des formes de galaxies, les chercheurs ont ouvert une voie vers des mesures cosmologiques plus indépendantes et plus fiables. Alors que le domaine se dirige vers une précision encore plus élevée, cette capacité d'auto-calibration pourrait devenir essentielle pour percer les secrets de l'univers sombre.