Learning Astrophysical Uncertainties in Dark Matter Direct Detection with Simulation-Based Inference

Au plus profond de l'univers, la majeure partie de la matière n'est pas composée de ce que nous pouvons voir, toucher ou mesurer avec des outils ordinaires. Elle est invisible, connue seulement par la façon dont sa gravité attire les étoiles et les galaxies. Les scientifiques appellent cela la matière noire, et bien que nous sachions qu'elle constitue environ un quart de tout ce qui existe, nous ignorons de quoi elle est faite. Une idée de premier plan suggère qu'elle est composée de particules lourdes et lentes qui entrent rarement en collision avec la matière normale. Si ces particules existent, elles devraient occasionnellement frapper les noyaux d'atomes à l'intérieur d'un détecteur sur Terre, créant un minuscule flash de lumière et un faible signal électrique. Trouver ce signal ténu constituerait une découverte monumentale, révélant la véritable nature de l'univers sombre.

Le défi est que ces signaux sont incroyablement rares et facilement confondables avec le bruit de fond provenant de la radioactivité naturelle ou d'autres rayons cosmiques. Pour les trouver, les scientifiques utilisent de vastes réservoirs de xénon liquide, refroidis à une température proche du zéro absolu, enfouis profondément sous terre pour les protéger des interférences cosmiques. Lorsqu'une particule de matière noire frappe un atome de xénon, elle produit deux signaux distincts : un flash de lumière et une bouffée d'électrons. En mesurant le rapport entre ces deux signaux, les chercheurs peuvent déterminer si l'événement a été causé par une particule de matière noire ou par une particule de bruit de fond commune. Cependant, le profil exact de ces signaux dépend de la vitesse à laquelle les particules de matière noire se déplacent lorsqu'elles dérivent à travers notre galaxie. Cette vitesse n'est pas connue avec une certitude parfaite, et différentes hypothèses sur la structure de la galaxie peuvent modifier l'apparence du signal.

Dans une nouvelle étude, les chercheurs Felix Kahlhoefer et Niklas Reus de l'Institut de technologie de Karlsruhe en Allemagne ont développé une méthode ingénieuse pour gérer cette incertitude. Au lieu d'essayer de calculer des formules mathématiques complexes pour tenir compte de chaque variation possible de la structure de la galaxie, ils ont utilisé une méthode appelée inférence basée sur la simulation. Ils ont conçu un programme informatique capable de reconnaître la différence entre un signal de matière noire et un bruit de fond en étudiant des millions d'exemples simulés. Dans ces simulations, l'ordinateur a été exposé à des données générées selon de nombreuses hypothèses différentes concernant la vitesse de déplacement des particules de matière noire. En s'entraînant sur cette grande variété de scénarios, l'ordinateur a appris à ignorer les détails spécifiques du mouvement de la galaxie pour se concentrer uniquement sur les caractéristiques fondamentales qui indiquent un impact de matière noire.

Les chercheurs ont testé cette approche en utilisant un modèle de l'expérience XENONnT, l'un des détecteurs de matière noire les plus sensibles actuellement en fonctionnement. Ils ont créé un jumeau numérique du détecteur, simulant sa réponse à des particules de matière noire de masses et de forces d'interaction différentes. Ils ont ensuite entraîné un réseau de neurones, un type d'intelligence artificielle, pour agir comme un classificateur. Ce réseau a reçu des paires de données : un ensemble où le signal de la matière noire était présent, et un autre où il était absent. Le but était que le réseau apprenne une règle permettant de distinguer les deux, calculant ainsi efficacement la probabilité qu'un ensemble d'observations provienne d'une source de matière noire plutôt que d'un bruit aléatoire.

Ce qui rend cette méthode particulièrement puissante, c'est la manière dont elle traite la vitesse inconnue des particules de matière noire. Dans l'analyse traditionnelle, les scientifiques doivent souvent fixer la vitesse de ces particules à une valeur unique et standard, ce qui peut conduire à des erreurs si cette valeur est erronée. Dans cette nouvelle approche, les chercheurs ont simplement inclus de nombreux modèles de vitesse dans les données d'entraînement. L'ordinateur a appris à traiter la vitesse comme une variable pouvant être n'importe quoi dans une plage raisonnable. En conséquence, lorsque le réseau fait une prédiction, il a déjà pris en compte toutes ces possibilités. L'incertitude sur la structure de la galaxie est effectivement lissée par la moyenne, laissant une réponse claire sur la matière noire elle-même sans nécessiter de calculs supplémentaires pour chaque nouvelle donnée.

L'étude a montré que cette méthode fonctionne remarquablement bien. Lorsque les chercheurs ont testé le réseau entraîné sur des données simulées, il a produit des résultats qui correspondaient aux attentes des méthodes statistiques les plus établies du domaine. Le réseau a réussi à identifier la masse et la force d'interaction correctes des particules de matière noire dans les simulations, même lorsque les données étaient bruitées ou lorsque les hypothèses sous-jacentes sur la galaxie étaient très différentes du modèle standard. En fait, le réseau a si bien performé qu'il a pu gérer des scénarios extrêmes où les hypothèses standards étaient totalement fausses, tout en produisant des résultats fiables. Cela suggère que la méthode est robuste et peut s'adapter à la réalité désordonnée de l'univers mieux que les techniques plus anciennes.

Peut-être plus important encore, les chercheurs ont démontré que cette approche peut être facilement mise à l'échelle. À mesure que les expériences deviennent plus sensibles et sondent plus profondément le « brouillard de neutrinos » — un bruit de fond de signaux provenant des neutrinos solaires qui finira par occulter le signal de la matière noire — la nécessité de prendre en compte des incertitudes plus complexes augmentera. Les méthodes traditionnelles peineraient face à cela, nécessitant des quantités massives de puissance de calcul pour relancer les calculs pour chaque nouvelle variable. La méthode basée sur la simulation, cependant, gère cette complexité lors de la phase d'entraînement. Une fois le réseau entraîné, il peut analyser de nouvelles données instantanément, quel que soit le nombre de modèles astrophysiques inclus dans l'entraînement. Cela en fait un outil pratique et efficace pour la prochaine génération de recherches sur la matière noire.

Les conclusions confirment que l'intelligence artificielle peut être un partenaire vital dans la traque de la matière noire, non pas en remplaçant la compréhension humaine, mais en prenant en charge la lourde tâche des statistiques complexes. En apprenant d'une vaste bibliothèque d'univers simulés, l'ordinateur peut trouver le signal dans le bruit avec une clarté qui égale les meilleures méthodes conçues par l'homme. Cela ne signifie pas que la matière noire a été trouvée ; aucun signal de ce type n'a encore été observé. Mais cela signifie que lorsque la prochaine expérience sera mise en marche, les scientifiques disposeront d'un outil plus précis et plus flexible pour interpréter les données, prêt à distinguer une véritable découverte d'un simple tour de lumière, même si la galaxie se comporte d'une manière que nous n'avions pas prévue.