L'Univers a laissé une empreinte sonore

Juste après le Big Bang, l'Univers était une soupe de matière et d'énergie brûlante. Dans cette soupe, des ondes sonores géantes se propageaient — comme des rides sur un étang, mais à l'échelle de l'Univers entier. Quand l'Univers a suffisamment refroidi, ces ondes se sont figées, laissant une empreinte dans la distribution des galaxies. Cette empreinte s'appelle les oscillations acoustiques de baryons, ou BAO.

C'est une sorte de règle graduée cosmique : les physiciens savent exactement à quelle distance cette empreinte devrait apparaître. En la mesurant dans le ciel, ils peuvent calculer les distances dans l'Univers — et donc comprendre sa nature, son expansion, et l'énergie noire qui l'accélère.

Le problème : le signal s'est brouillé

Depuis 14 milliards d'années, les galaxies se sont déplacées, attirées les unes par les autres. L'empreinte originale a été "étalée" par cette évolution. Pour la mesurer avec précision, il faut rembobiner ce mouvement — retrouver où les galaxies étaient au départ. C'est ce qu'on appelle la reconstruction BAO.

Les méthodes classiques le font de façon approximative, en supposant que les galaxies bougent de façon simple et régulière. Mais c'est une simplification : la réalité est bien plus complexe.

La solution : apprendre à rembobiner

Les chercheurs ont entraîné un réseau de neurones — un programme d'intelligence artificielle — sur 100 simulations complètes de l'Univers. Le réseau a appris à regarder une carte de galaxies "aujourd'hui" et à retrouver comment elles étaient distribuées "au départ".

Et les résultats ont été vérifiés sur 1 000 simulations différentes. La méthode fonctionne même quand les hypothèses de départ sont un peu incorrectes — ce qui est crucial pour l'appliquer aux vraies observations du télescope DESI.

Les BAO : une règle graduée cosmique

Les oscillations acoustiques de baryons constituent une échelle caractéristique d'environ 150 Mpc comobiles — la distance à laquelle les galaxies ont une légère tendance à se regrouper, fossile des ondes sonores du plasma primordial. En mesurant cette échelle à différents redshifts, on contraindre H(z)·r_d et D_A(z)/r_d, et donc les paramètres cosmologiques dont l'énergie noire.

Le signal BAO s'est atténué depuis le découplage sous l'effet de l'évolution gravitationnelle non-linéaire. La reconstruction BAO vise à inverser partiellement cette évolution pour sharpener le pic acoustique — et donc améliorer la précision des mesures cosmologiques.

Trois méthodes en compétition

L'étude compare trois approches sur des catalogues de galaxies simulés (DESI-like) :

• Reconstruction traditionnelle : approximation de Zel'dovich — estimation des déplacements de Lagrange par inversion du champ de densité lissé. Simple, rapide, mais limitée aux grandes échelles.
• Inférence explicite au niveau du champ : un modèle différentiable (HEFT — Hybrid Effective Field Theory) simule le champ de galaxies. On optimise les conditions initiales par descente de gradient (L-BFGS-B avec recuit) pour coller aux observations.
• Inférence implicite : un réseau de neurones convolutif (CNN) apprend directement le mapping entre champ de galaxies observé et champ linéaire initial, sur 100 simulations d'entraînement.

Les résultats chiffrés

Priors uniformes sur les paramètres de nuisance. Pour les BGS avec kmax=0,4 h/Mpc, le CNN atteint −46 % et FoM ×3,2.

Ce que ça change pour la cosmologie

La méthode est conçue pour s'intégrer directement dans le pipeline standard de DESI — pas de rupture avec les analyses existantes. Le gain de précision s'applique aussi bien au spectre de puissance P(k) qu'à la fonction de corrélation ξ(s), confirmant que la méthode sature l'information BAO disponible.

Protocole et mocks

1 000 réalisations FastPM (L=1 Gpc/h, Np=1024³ LRG / 2048³ BGS, cosmologie Planck : Ωm=0,3175, h=0,6711, σ8=0,834), HOD calibré sur Ding et al. 2025. Snapshots à z=0,7 (LRG) et z=0,2 (BGS). 100 simulations pour entraînement CNN, 900 pour évaluation.

Architecture et entraînement du CNN

Réseau à 9 couches doublement convolutives avec activations ReLU (largeurs : 32/64/128 canaux par bloc de 3 couches). Entrée : 2 canaux (δg et δtrad), sortie : δl sur sous-grille (Nsub−18)³. Lissage spectral par perte de Fourier pondérée : M(k)=10 pour k∈[0,08;0,5] h/Mpc, 1 sinon. Inférence par patches chevauchants Nsub=50 (~195 Mpc/h), stride=10.

Inférence explicite : recuit et HEFT

Optimisation MAP via L-BFGS-B avec recuit anéalé sur kiter (1 Mpc/h final). Modèle HEFT du second ordre via pmwd (Nc=256³, force grid 256³). Prior P₁ débarrassé des wiggles (Vlah et al. 2016) pour robustesse à la mauvaise spécification cosmologique. Erreur σ²g(k)=A+Bk²+Cμ²+Dk²μ² paramétrée sur 4 degrés de liberté.

Ajustement BAO et paramètres d'échelle

Modèle de Chen et al. 2024 : P(k,μ)=B(k,μ)P_nw(k)+C(k,μ)P_w(k)+D(k), ajusté via emcee (desilike) sur kmin=0,02 à kmax=0,3–0,4 h/Mpc par dk=0,005. Paramètres d'échelle αiso=α⊥^(2/3)α∥^(1/3) et αap=α∥/α⊥. Covariance leave-one-out avec régularisation Ledoit–Wolf.

Tests de robustesse et couverture

• Mauvaise spécification Ωm (0,29 vs 0,3175) : contraintes non biaisées pour toutes les méthodes FLI. La reconstruction traditionnelle avec priors fixés montre une légère sur-confiance.
• Distorsions AP (extension z ×3,9 %) : αiso et αap récupérés sans biais pour les méthodes implicite et traditionnelle (l'explicite non testé — géométrie cuboïde non supportée dans pmwd).
• Couverture nominale : maintenue à tous les niveaux de confiance sur les 900 réalisations de test. L'inférence implicite produit une matrice de covariance diagonale conforme à la prédiction gaussienne au pourcent.