Une équipe de recherche de l’Observatoire astronomique du Xinjiang (XAO), affilié à l’Académie chinoise des sciences, a mis au point un cadre d’intelligence artificielle interprétable baptisé Réseau convolutionnel de Kolmogorov–Arnold (CKAN). Ce modèle innovant permet de mieux comprendre les propriétés de la matière noire à l’échelle des amas de galaxies. Contrairement aux réseaux neuronaux traditionnels, souvent perçus comme des « boîtes noires », le CKAN offre une transparence accrue dans ses décisions, en rendant explicites les mécanismes sous-jacents aux inférences tirées des données. En exploitant cette interprétabilité, les chercheurs ont pu analyser des images de lentilles gravitationnelles avec une précision accrue, révélant des caractéristiques fines de la distribution de la matière noire dans les amas galactiques. Cette avancée ouvre la voie à une meilleure modélisation de la matière noire, en permettant de tester différentes hypothèses sur sa nature physique, notamment en ce qui concerne sa densité, sa répartition spatiale et ses interactions à grande échelle. Le CKAN représente ainsi un outil puissant pour combler les lacunes dans notre compréhension de l’univers, en combinant l’efficacité des réseaux neuronaux avec la rigueur scientifique requise pour interpréter des phénomènes fondamentaux.