Decoding the Imprints of Energy-Momentum Squared Gravity in Neutron Stars with Machine Learning Analysis
Cette étude démontre que les classifieurs d'apprentissage automatique supervisé, particulièrement la Forêt Aléatoire, peuvent atteindre plus de 99 % de précision pour distinguer les modèles de la Relativité Générale et de la Gravité Énergie-Momentum au carré en utilisant des observables d'étoiles à neutrons (masse, rayon, déformabilité de marée et fréquence d'oscillation), même après l'application de contraintes observationnelles.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
La gravité est la force qui maintient l'univers ensemble, façonnant tout, des pommes qui tombent aux orbites des planètes. Pendant plus d'un siècle, la théorie de la relativité générale d'Albert Einstein a été la référence pour décrire le fonctionnement de la gravité. Elle a passé tous les tests que nous lui avons soumis, de la déviation de la lumière des étoiles aux ondulations de l'espace-temps créées par la collision de trous noirs. Pourtant, de nombreux physiciens soupçonnent que cette théorie n'est pas le dernier mot. Dans les environnements les plus extrêmes du cosmos, où la matière est compressée à des densités supérieures à celles d'un noyau atomique, les règles pourraient changer. Pour le découvrir, les scientifiques se tournent vers les étoiles à neutrons. Ce sont les cœurs effondrés d'étoiles mortes, si denses qu'une seule cuillère à café de leur matière pèserait des milliards de tonnes sur Terre. Parce qu'elles concentrent autant de masse dans un espace aussi restreint, elles créent des champs gravitationnels bien plus puissants que tout ce que nous pouvons créer en laboratoire, ce qui en fait les laboratoires naturels parfaits pour tester si la gravité se comporte différemment de ce qu'Einstein a prédit.
L'une de ces théories alternatives s'appelle la Gravité au Carré de l'Énergie-Impulsion (Energy-Momentum Squared Gravity). Dans ce cadre, les équations qui décrivent la gravité incluent un terme supplémentaire qui dépend de la quantité d'énergie et de pression concentrées dans une région spécifique. Bien que cette théorie se comporte exactement comme celle d'Einstein dans le vide spatial, elle prédit qu'à l'intérieur d'objets denses comme les étoiles à neutrons, la gravité devrait agir légèrement différemment. La force de cet effet supplémentaire est contrôlée par un nombre unique, un paramètre de couplage. Si ce nombre est positif, la théorie suggère que l'intérieur de l'étoile est poussé vers l'extérieur, lui permettant d'être plus grande et plus lourde. Si le nombre est négatif, l'étoile est compressée plus étroitement, devenant plus compacte et plus légère. La grande question est de savoir si nous pouvons réellement percevoir la différence entre ces scénarios à l'aide des données que nous pouvons observer depuis la Terre.
Une équipe de chercheurs s'est donné pour mission de répondre à cela en simulant des milliers d'étoiles à neutrons sous différentes conditions. Ils ne se sont pas contentés d'un ou deux modèles ; ils ont généré un ensemble de données massif d'environ 10 000 étoiles à neutrons différentes, chacune construite selon un ensemble différent de règles sur le comportement de la matière nucléaire. Pour chacune de ces étoiles, ils ont calculé ce à quoi l'étoile ressemblerait si le terme de gravité supplémentaire était positif, négatif ou nul (ce qui signifierait qu'elle se comporte exactement comme la théorie d'Einstein). Ils se sont concentrés sur quatre propriétés clés que les astronomes peuvent réellement mesurer ou déduire : la masse de l'étoile, son rayon, la facilité avec laquelle elle peut être étirée par la gravité d'une étoile compagne, et la fréquence à laquelle elle vibre comme une cloche après avoir été perturbée.
Les chercheurs ont ensuite appliqué un filtre à leur immense ensemble de données, ne conservant que les étoiles qui correspondent à ce que nous savons actuellement de l'univers réel. Par exemple, ils ont écarté toute étoile trop petite ou trop légère, car nous avons déjà observé des étoiles à neutrons qui sont plus lourdes et plus grandes que ces limites. Cela leur a laissé une collection d'étoiles « observationnellement viables » — des modèles qui pourraient réellement exister dans notre univers. L'étape suivante consistait à voir si un ordinateur pouvait regarder les quatre propriétés de ces étoiles survivantes et deviner correctement à quelle version de la gravité elles appartenaient. Pour ce faire, ils ont utilisé l'apprentissage automatique (machine learning), un type d'intelligence artificielle qui apprend des motifs à partir de données. Ils ont entraîné plusieurs algorithmes informatiques différents pour agir comme des classificateurs, leur apprenant à reconnaître les empreintes subtiles laissées par les différentes théories de la gravité.
Les résultats étaient d'une clarté frappante. Même après avoir filtré les étoiles impossibles, les étoiles restantes portaient toujours des signatures distinctes de la théorie de la gravité selon laquelle elles avaient été construites. Les modèles d'apprentissage automatique ont pu distinguer les cas positifs, négatifs et nuls avec une précision incroyable. Un algorithme spécifique, connu sous le nom de Forêt Aléatoire (Random Forest), a correctement identifié le type de gravité pour presque chaque étoile de l'ensemble de test, atteignant un taux de précision d'environ 99,85 %. D'autres méthodes ont également très bien performé, avec des taux de précision dépassant 99 %. L'ordinateur examinait essentiellement la taille, le poids, l'élasticité et la vibration d'une étoile, et à partir de ces chiffres seuls, il pouvait déterminer avec une quasi-certitude si l'étoile était régie par la gravité d'Einstein ou par l'une des versions modifiées.
Cette découverte suggère que les empreintes de la gravité modifiée ne sont pas effacées par les variations naturelles de la formation des étoiles. Même lorsque nous restreignons notre vue aux seules étoiles qui correspondent à nos observations actuelles, les différences dans leur structure restent assez nettes pour être détectées. L'étude implique qu'à mesure que nos télescopes et nos détecteurs d'ondes gravitationnelles deviendront plus précis, nous pourrons bientôt utiliser ces mêmes outils d'apprentissage automatique pour analyser les données réelles provenant des étoiles à neutrons. Ce faisant, nous pourrions potentiellement confirmer ou infirmer ces théories alternatives de la gravité, nous rapprochant ainsi de la compréhension du fonctionnement de l'univers dans ses recoins les plus extrêmes. Ce travail ne prouve pas que la théorie d'Einstein est fausse, mais il démontre que si une théorie différente est vraie, nos instruments et nos ordinateurs sont déjà capables de trouver la preuve.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.