Deep Learning for f (T) Gravity: Joint PINN Reconstruction and MCMC Analysis of Data Sets

Depuis des décennies, les astronomes observent l'univers s'étendre à un rythme toujours croissant. Cette découverte, faite à la fin des années 1990, a bouleversé la croyance de longue date selon laquelle la gravité devrait ralentir le cosmos. Pour expliquer cette accélération, les scientifiques ont proposé l'existence d'une force mystérieuse appelée énergie noire, souvent modélisée comme une énergie constante remplissant l'espace vide. Cependant, cette explication standard, connue sous le nom de modèle Lambda Cold Dark Matter, fait face à de profonds problèmes théoriques. Elle laisse les physiciens s'interroger sur la raison pour laquelle l'univers accélère maintenant, et n'offre aucune raison fondamentale pour la force spécifique de cette poussée mystérieuse. En raison de ces lacunes, les chercheurs ont commencé à explorer si la gravité elle-même pourrait se comporter différemment aux plus grandes échelles, changeant peut-être ses règles à mesure que l'univers s'étire. L'une de ces idées est une théorie appelée gravité téléparallèle, qui décrit la force de la gravité non pas comme la courbure de l'espace, mais comme une torsion du tissu du cosmos.

Une équipe de chercheurs de l'Inde a adopté une nouvelle approche pour tester ces idées. Au lieu de deviner à quoi les règles de cette gravité de torsion pourraient ressembler, ils ont construit un système informatique conçu pour apprendre les règles directement à partir des données. Ils ont combiné deux collections massives d'observations astronomiques : l'une qui mesure la vitesse à laquelle l'univers s'étend à différents moments de son histoire, et une autre qui suit la luminosité d'étoiles explosantes pour cartographier les distances cosmiques. En injectant ces données dans un type spécialisé d'intelligence artificielle connu sous le nom de réseau de neurones informé par la physique, les chercheurs ont permis à l'ordinateur de reconstruire l'histoire de l'expansion de l'univers tout en respectant strictement les lois de la physique. Le système n'a pas supposé une forme spécifique pour la force gravitationnelle ; il a simplement laissé les observations guider la forme de la théorie.

Le résultat fut une image lisse et continue de la façon dont l'univers s'est étendu sur des milliards d'années. À partir de cette histoire reconstruite, l'équipe a dérivé la forme mathématique spécifique de la gravité de torsion qui serait nécessaire pour produire une telle expansion. Ils ont ensuite simplifié cette forme complexe, issue des données, en une formule gérable à l'aide d'un polynôme cubique, un type d'équation capable de se courber et de se tordre pour s'adapter à des motifs complexes. Pour s'assurer de la robustesse de leurs conclusions, ils ont utilisé des méthodes statistiques avancées pour calculer les valeurs les plus probables des nombres de cette équation et pour cartographier la plage d'incertitude. L'analyse a montré que le modèle reconstruit s'ajuste bien aux données d'observation, suivant de près l'histoire de l'expansion sur toute la gamme de décalages vers le rouge mesurés.

Lorsque les chercheurs ont comparé leur nouveau modèle, fondé sur les données, au modèle standard de la gravité, les résultats ont été nuancés. Le modèle standard, qui suppose une constante cosmologique constante, offrait toujours un ajustement statistique légèrement meilleur aux données, nécessitant moins d'hypothèses pour expliquer les observations. Cependant, le nouveau modèle n'a pas échoué ; il est resté une description viable de l'univers qui s'écarte de la théorie standard de manière fluide et systématique. L'étude a démontré que des changements légers dans les lois de la gravité sont encore autorisés par les observations actuelles. La réalisation la plus significative de ce travail n'était pas nécessairement de prouver que le modèle standard est faux, mais plutôt de démontrer une nouvelle méthode puissante. En combinant l'apprentissage profond avec l'analyse statistique, les chercheurs ont créé un pipeline flexible capable de reconstruire des théories gravitationnelles directement à partir du ciel, offrant un moyen de tester les théories de la gravité modifiée face à des données futures plus précises, sans être piégés par des idées préconçues.