L'IA de Heidelberg a décodé le cosmos : pourquoi son échec est la véritable information

Le graphique de données qui a stoppé net une équipe de recherche de Heidelberg n'était pas une découverte, mais l'absence d'une telle découverte. Par une froide matinée de décembre 2025, à l'Institut de physique théorique, un modèle d'apprentissage automatique entraîné sur des milliards de points de données issus de relevés cosmiques venait de terminer son calcul. Il avait réussi à rétro-ingénierier les équations qui régissent la structure à grande échelle de l'univers, prédisant correctement la distribution des galaxies et la toile cosmique à partir des conditions initiales du Big Bang. Puis, à des échelles supérieures à quelques centaines de mégaparsecs, ses prédictions ont plongé dans l'abîme. Le taux d'expansion de l'univers, celui qui devrait être piloté par l'énergie sombre, n'était tout simplement pas reproduit. Une intelligence artificielle qui, dans un sens, a décodé le fonctionnement de l'univers venait de révéler une faille béante dans le modèle cosmologique standard.

Une IA qui a décodé le fonctionnement de l'univers, jusqu'à ce qu'elle échoue

Le processus n'avait rien d'anodin. L'architecture de l'IA intégrait des symétries connues pour contraindre les lois physiques, telles que l'invariance par rotation et par translation, forçant le réseau à apprendre à partir des données tout en respectant la géométrie de l'espace-temps. Lorsque l'équipe lui a fourni les observations réelles du télescope spatial Euclid de l'ESA et du Dark Energy Survey, CosmoGraph a pu prédire l'emplacement des galaxies avec une précision de 99,7 % — jusqu'à ce qu'il n'y parvienne plus.

« Nous nous attendions à un certain écart aux échelles les plus vastes en raison de la variance cosmique », a déclaré Voss, « mais le modèle sous-estimait systématiquement l'amplitude du regroupement et passait complètement à côté de l'accélération tardive. C'était comme si l'univers, dans ce qu'il a de plus grandiose, obéissait à un autre ensemble de règles. »

Un vide là où devrait se trouver l'énergie sombre

Les physiciens savent depuis longtemps que la constante cosmologique est une solution temporaire, un paramètre si finement ajusté que de nombreux théoriciens le considèrent comme artificiel. Ce que CosmoGraph a révélé, c'est qu'un système optimisé uniquement pour capturer la dynamique gravitationnelle de la matière — sombre et visible — ne voit tout simplement pas la nécessité d'une force répulsive constante. L'accélération n'apparaît que lorsque les données d'entraînement sont forcées d'inclure les observations à grande échelle, ce qui corrompt ensuite l'ajustement du modèle à plus petite échelle. C'est la marque d'un ingrédient manquant : quelque chose dans le cosmos qui couplerait la formation de structures dépendantes de l'échelle au taux d'expansion d'une manière que nos théories actuelles ne parviennent pas à saisir.

Ce que l'angle mort de l'IA nous dit sur la matière noire et l'énergie sombre

Si la constante cosmologique était l'explication correcte, une IA bien entraînée aurait dû être capable de l'inférer comme le simple ajustement d'un paramètre. Le fait qu'elle n'y soit pas parvenue suggère que le véritable moteur de l'accélération est lié de manière plus complexe à la croissance des structures. Une interprétation est que l'énergie sombre n'est pas une constante mais un champ dynamique — quelque chose comme la quintessence — qui change avec le temps et interagit potentiellement avec la matière noire. Une autre possibilité, plus radicale, est que notre compréhension de la gravité elle-même soit incomplète aux distances cosmiques, et qu'une dynamique newtonienne modifiée ou une variante de la gravité émergente devrait remplacer la relativité générale aux plus grandes échelles.

L'échec de CosmoGraph est particulièrement criant lorsqu'il tente de concilier l'histoire de l'expansion de l'univers primordial, imprimée dans le fond diffus cosmologique, avec l'accélération tardive. Il s'agit de la tension de Hubble sous une nouvelle forme : l'IA, entraînée sur des données de l'univers jeune et intermédiaire, préfère systématiquement une constante de Hubble inférieure à celle mesurée localement. « L'opinion » de la machine souligne ce que de nombreux observateurs soupçonnaient : la divergence n'est pas une erreur de mesure, mais le symptôme d'une fracture physique plus profonde.

Pourquoi l'angle mort d'une IA est un problème humain

Malgré toute sa puissance, CosmoGraph reste une boîte noire. L'équipe peut voir où il échoue, mais pas pourquoi en termes de physique intuitive. Le modèle ne produit pas une équation propre ; il produit une prédiction. Cette opacité a suscité un débat au sein de la communauté des physiciens sur le rôle de l'IA en tant qu'outil de découverte. D'un côté, le succès du modèle à plus petite échelle valide l'utilisation de l'apprentissage automatique pour rechercher une nouvelle physique ; de l'autre, son aveuglement face à l'accélération à grande échelle risque de renforcer les biais théoriques existants. Si les données d'entraînement sont dominées par des régimes où l'énergie sombre joue un rôle mineur, l'IA n'apprendra jamais à la chercher.

« L'apprentissage automatique amplifie les préjugés présents dans votre ensemble de données », explique Sebastian Huber, physicien théoricien à l'ETH Zurich, qui n'a pas participé à l'étude. « Si vous l'entraînez à être un bon moteur d'interpolation, c'est exactement ce qu'il sera : un moteur d'interpolation. La physique intéressante se trouve souvent dans l'extrapolation, et là, vous avez besoin de la théorie. »

Cette limite n'est pas propre à la cosmologie. Dans les domaines de l'astrophysique et de la physique des particules, les modèles d'IA sont déployés pour passer au crible des pétaoctets de données, signalant des anomalies qui pourraient indiquer de nouveaux phénomènes. Pourtant, les techniques statistiques qui les rendent sensibles aux signaux faibles les rendent également extrêmement sensibles aux artefacts instrumentaux et aux hypothèses de modélisation. L'angle mort révélé par CosmoGraph peut, ironiquement, être une caractéristique — un indicateur robuste que nos équations actuelles ne racontent peut-être pas toute l'histoire —, mais extraire cette conclusion d'un réseau de neurones nécessite des strates de raisonnement humain que la machine ne peut pas encore fournir.

Euclid de l'ESA et l'avenir de la cartographie cosmique

Les travaux de l'équipe de Heidelberg reposent largement sur les données de la mission Euclid de l'ESA, le télescope de 1,4 milliard d'euros de l'Agence spatiale européenne dédié à l'univers sombre. Euclid génère la carte tridimensionnelle la plus précise du cosmos jamais réalisée, mesurant les formes et les distances de milliards de galaxies pour suivre la manière dont l'énergie sombre a façonné l'univers au fil du temps cosmique. La mission est un joyau de la science spatiale européenne, mais son pipeline de données est à la fois une opportunité et un risque pour les découvertes pilotées par l'IA.

Il existe également une tension au niveau du financement. Le programme Horizon Europe a consacré des ressources importantes à l'IA et à la science des données pour la physique fondamentale, mais le résultat de CosmoGraph suggère que des approches purement basées sur les données sont peu susceptibles d'apporter la percée tant attendue sur l'énergie sombre. Le travail plus fastidieux consistant à affiner les budgets d'erreurs systématiques et à construire des simulations plus réalistes est peut-être moins flamboyant, mais c'est le socle sur lequel toute découverte par IA doit reposer.

L'équipe de Heidelberg prévoit de faire tourner à nouveau son modèle avec des ensembles d'entraînement étendus qui injectent artificiellement des scénarios d'accélération à grande échelle, enseignant essentiellement à l'IA ce qu'elle doit attendre. C'est une étrange inversion : au lieu de laisser les données parler, ils donnent à la machine une prescription théorique. C'est le genre de compromis méthodologique qui ferait grimacer un empiriste de la vieille école. Mais c'est peut-être aussi le moyen le plus rapide de savoir si la faille dans le modèle standard est une fissure dans nos théories ou simplement le miroir de notre propre ignorance.

Sources

• Cluster STRUCTURES de l'université de Heidelberg (présentation de recherche et prépublication)
• Communiqués de données et documentation technique du consortium Euclid de l'ESA
• Nature Astronomy (article à paraître sur les contraintes cosmologiques dérivées de l'IA)