🔬 physics

Reconstructing f(T) Gravity from Observational Hubble Data: A PINN Approach

Cette étude emploie un réseau de neurones informés par la physique (PINN) pour reconstruire de manière non paramétrique le paramètre de Hubble à partir de données observationnelles et pour en dériver ultérieurement la fonction de gravité f(T) correspondante, démontrant un cadre robuste et piloté par les données qui s'aligne avec le modèle cosmologique standard ΛCDM.

Auteurs originaux : RAVI KANT MISHRA, Priya Awasthi

Publié 2026-09-09

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : RAVI KANT MISHRA, Priya Awasthi

Article original sous licence CC BY 4.0 (https://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

L'univers est en expansion, et il le fait à un rythme accéléré. Cette découverte, confirmée par des décennies d'observations allant de la lumière d'étoiles lointaines en explosion à la faible lueur résiduelle du Big Bang, constitue l'un des faits les plus profonds de la cosmologie moderne. Pour expliquer cette accélération, les scientifiques se sont traditionnellement appuyés sur un modèle standard qui inclut une force mystérieuse appelée énergie noire, qui repousse les galaxies les unes des autres. Cependant, cette explication s'accompagne de problèmes théoriques importants, amenant de nombreux chercheurs à se demander si la gravité elle-même pourrait se comporter différemment aux plus grandes échelles que ce que nous comprenons actuellement. Au lieu d'ajouter une nouvelle substance invisible à l'inventaire cosmique, certains physiciens proposent que les règles de la gravité nécessitent un léger ajustement. Un tel ajustement implique une théorie appelée gravité téléparallèle, qui décrit la force non pas comme la courbure de l'espace et du temps, mais comme une torsion ou un vrillage du tissu de l'univers. Si ce vrillage est le véritable moteur de l'accélération cosmique, alors la fonction mathématique la décrivant devrait être déductible directement de la vitesse à laquelle l'univers s'étend à différents moments de son histoire.

Une équipe de chercheurs de l'Institut de technologie de l'ingénierie Sant Longowal en Inde a adopté une approche novatrice de ce problème, utilisant un type d'intelligence artificielle pour lire l'histoire de l'univers directement à partir de données observationnelles. Plutôt que de deviner une formule mathématique spécifique pour la manière dont la gravité pourrait changer, ils ont employé un système connu sous le nom de Réseau de Neurones Informé par la Physique (Physics-Informed Neural Network). Il s'agit d'un programme informatique conçu pour apprendre des modèles à partir de mesures du monde réel tout en respectant simultanément les lois fondamentales de la physique. Les chercheurs ont alimenté le réseau avec des données sur le taux d'expansion de l'univers à diverses distances, connues sous le nom de décalages vers le rouge (redshifts), et ont demandé au système de reconstruire l'ensemble de l'histoire de l'expansion sans supposer de modèle préétabli. Le réseau a été entraîné pour garantir que ses prédictions correspondent aux mesures réelles tout en satisfaisant les équations physiques qui régissent le comportement de l'univers. Le résultat fut une carte lisse et fiable de l'expansion cosmique qui ne reposait sur aucune notion préconçue de ce à quoi l'univers devrait ressembler.

À partir de cette histoire de l'expansion reconstruite, l'équipe a pu travailler à rebours pour déterminer le comportement du scalaire de torsion, la quantité spécifique qui mesure le vrillage de l'espace-temps dans cette théorie de la gravité alternative. En analysant comment ce vrillage changeait au fil du temps, ils ont pu dériver la fonction mathématique spécifique qui décrit la gravité modifiée, effectuant ainsi une rétro-ingénierie des lois de l'univers à partir des données elles-mêmes. L'étude a révélé que l'histoire de l'expansion dérivée par l'intelligence artificielle s'aligne remarquablement bien avec le modèle cosmologique standard, particulièrement aux distances plus faibles où les données sont les plus abondantes. Le modèle reconstruit suggère que l'univers est actuellement en expansion à un taux d'environ 70,1 kilomètres par seconde par mégaparsec, la matière constituant environ 26 pour cent du budget énergétique cosmique total. Ces valeurs s'inscrivent confortablement dans les plages attendues par le modèle standard, suggérant que, bien que l'univers puisse être régi par une règle géométrique légèrement différente, il ressemble toujours beaucoup à celui que nous connaissons déjà.

Les chercheurs ont également examiné la stabilité de leurs conclusions en testant la réaction du modèle à de petits changements dans ses paramètres internes et en analysant les erreurs entre leurs prédictions et les données réelles. Le système s'est avéré hautement stable, les erreurs se regroupant étroitement autour de zéro, ce qui indique que l'intelligence artificielle n'a pas systématiquement surestimé ou sous-estimé le taux d'expansion. La fonction dérivée décrivant la gravité modifiée pouvait être représentée avec précision par un simple polynôme cubique, un type de courbe qui s'ajuste aux données avec un degré de précision extrêmement élevé. Cela suggère que le comportement complexe de l'expansion de l'univers peut être capturé par une relation mathématique relativement simple, même sans supposer cette relation à l'avance. L'étude démontre que l'apprentissage automatique, lorsqu'il est guidé par les lois physiques, peut servir d'outil puissant pour découvrir les mécanismes sous-jacents du cosmos directement par l'observation, offrant une nouvelle façon de tester si notre compréhension actuelle de la gravité est complète ou si un subtil vrillage de la géométrie de l'espace est la clé du destin accéléré de l'univers.

Résumé Technique : Reconstruction de la gravité $f(T)$ à partir des données d'expansion de Hubble par PINN

Énoncé du Problème
L'accélération de l'expansion de l'univers, confirmée par les supernovas de type Ia, le fond diffus cosmologique (CMB), les oscillations acoustiques de baryons (BAO) et les données d'observation de Hubble (OHD), présente un défi fondamental au sein de la relativité générale, souvent attribué à l'énergie noire ou à la constante cosmologique ( $\Lambda$ ). Bien que le modèle standard $\Lambda$ CDM s'ajuste bien aux observations, il fait face à des problèmes théoriques tels que le problème de la coïncidence et la tension de Hubble. Les théories de la gravité modifiée, spécifiquement la gravité $f(T)$ (une extension de la gravité téléparallèle où le scalaire de torsion $T$ est généralisé en une fonction arbitaire $f(T)$ ), offrent une explication géométrique alternative à l'accélération cosmique sans invoquer l'énergie noire.

Une lacune critique existe dans la reconstruction de la forme fonctionnelle spécifique de $f(T)$ directement à partir des données sans supposer un modèle paramétrique prédéfini (par exemple, linéaire ou de puissance). Les méthodes non paramétriques traditionnelles, telles que la régression par processus gaussiens, reposent souvent sur des hypothèses de noyau qui peuvent introduire un biais, tandis que les réseaux de neurones artificiels (ANN) standards peuvent produire des solutions qui violent les lois physiques. Cette étude répond au besoin d'une reconstruction non paramétrique et physiquement cohérente de l'histoire de l'expansion cosmique et de la dérivation subséquente de la fonction $f(T)$ .

Méthodologie
Les auteurs emploient un cadre de Réseau de Neurones Informé par la Physique (PINN) pour reconstruire le paramètre de Hubble $H(z)$ directement à partir des OHD. La méthodologie intègre les données observationnelles avec les équations physiques régissantes de la gravité téléparallèle.

Source de Données : Le réseau est entraîné sur un ensemble de 31 points de données de Hubble observationnelles couvrant des décalages vers le rouge $z \in [0,07, 2,36]$ (Tableau 1).
Architecture du Réseau : Un réseau de neurones à propagation avant avec un neurone d'entrée (redshift $z$ ), deux couches cachées (8 neurones chacune) utilisant des fonctions d'activation tangente hyperbolique, et un neurone de sortie ( $H(z)$ ).
Construction de la Fonction de Perte : L'entraînement minimise une fonction de perte composite ( $L_{total}$ $L_{t o t a l}$ ) comprenant :
- Perte de Données ( $L_{data}$ ) : La différence $\chi^2$ entre le $H(z)$ prédit et les données observationnelles.
- Perte Physique ( $L_{phy}$ ) : Impose la relation entre le paramètre de décélération $q(z)$ et $H(z)$ , en pénalisant spécifiquement les écarts par rapport à la définition physique $q(z) = -1 + (1+z)\frac{H'(z)}{H(z)}$ .
- Perte de Monotonie ( $L_{mono}$ ) : Garantit que $H(z)$ se comporte de manière monotone (non croissante avec le redshift) pour éviter les oscillations non physiques.
- Perte de Limite ( $L_0$ ) : Contraint le paramètre de Hubble actuel $H_0$ .
- Perte de Tronquage ( $L_{clip}$ ) : Maintient la stabilité numérique en confinant les prédictions dans des plages physiquement acceptables.
Optimisation : Le réseau est entraîné à l'aide de l'optimiseur Adam avec des taux d'apprentissage adaptatifs et de l'élan (momentum).
Chaîne de Reconstruction :
- Le PINN entraîné produit un $H(z)$ lisse et non paramétrique.
- En utilisant la relation de la métrique FLRW dans la gravité téléparallèle, $T = -6H(z)^2$ , le scalaire de torsion $T(z)$ est dérivé.
- Les équations de champ pour la gravité $f(T)$ sont utilisées pour intégrer numériquement et reconstruire la fonction $f(T)$ sans supposer de forme analytique.
- La $f(T)$ numérique résultante est approximée par un polynôme cubique pour comparaison analytique.

Résultats Clés

Reconstruction du Paramètre de Hubble : Le PINN reconstruit avec succès $H(z)$ sur toute la plage de redshift observée. La reconstruction s'aligne étroitement avec le modèle $\Lambda$ CDM standard, particulièrement aux redshifts faibles et intermédiaires. La majorité des points de données observationnelles tombent dans les bandes de confiance $1\sigma$ et $2\sigma$ de la prédiction du PINN.
Histoire de l'Expansion Cosmique : Le paramètre de décélération $q(z)$ reconstruit indique une transition de la décélération vers l'accélération à $z_t \approx 0,6$ , ce qui est cohérent avec la compréhension cosmologique actuelle.
Fonction $f(T)$ : La reconstruction indépendante du modèle de $f(T)$ démontre une dépendance lisse et stable vis-à-vis du scalaire de torsion $T$ . La reconstruction numérique est bien approximée par un polynôme cubique ( $f(T) = aT^3 + bT^2 + cT + d$ ) avec un coefficient de détermination $R^2 = 0,999996$ et un RMSE de $1,7488 \times 10^2$ .
Contraintes de Paramètres : Une analyse de vraisemblance basée sur $\chi^2$ dans le plan $(\Omega_m, H_0)$ produit des valeurs optimales de $H_0 \approx 70,1 \text{ km s}^{-1} \text{ Mpc}^{-1}$ et $\Omega_m \approx 0,26$ . Les contours de confiance montrent une corrélation négative entre ces paramètres, cohérente avec les dégénérescences cosmologiques standards.
Convergence et Stabilité : L'analyse du paysage de perte révèle une structure lisse, de type bassin, avec un minimum unique et bien défini, indiquant que la solution entraînée est stable et robuste face aux perturbations des poids. L'analyse des résidus confirme que le modèle est globalement non biaisé, avec des erreurs centrées autour de zéro.

Signification et Revendications
L'article affirme établir un lien direct, piloté par les données, entre la cosmologie observationnelle et la gravité téléparallèle modifiée. En utilisant des PINN, l'étude démontre qu'il est possible de :

Reconstruire l'histoire de l'expansion cosmique sans supposer une paramétrisation cosmologique spécifique.
Dériver la fonction de gravité $f(T)$ sous-jacente directement à partir des contraintes observationnelles, en garantissant que la solution satisfait à la fois la fidélité aux données et les lois physiques (équations de champ téléparallèles).
Fournir un cadre robuste pour étudier l'évolution tardive de l'univers dans la gravité téléparallèle, offrant une alternative aux méthodes de reconstruction paramétriques qui peuvent souffrir d'un biais de sélection de noyau ou d'une incohérence physique.

Les auteurs concluent que l'approche PINN sert d'outil efficace et indépendant du modèle, capable de récupérer à la fois l'histoire de l'expansion et les formes fonctionnelles de la gravité modifiée à partir de jeux de données observationnelles, validant ainsi le potentiel de l'apprentissage automatique informé par la physique pour la reconstruction cosmologique.

Articles similaires