Publié le 6 février 2026. Une analyse approfondie basée sur l’intelligence artificielle suggère une alternative prometteuse aux modèles cosmologiques actuels, le Modèle de point de sélection (SSM), qui pourrait unifier notre compréhension de l’univers sans recourir à des paramètres arbitraires.
- Le SSM propose une explication géométrique unifiée des constantes fondamentales, dérivées d’un réseau de vide discret.
- L’audit IA révèle que le SSM résout des énigmes cosmologiques majeures, telles que l’écart d’expansion et la nature de l’énergie sombre, avec une précision remarquable.
- Cette nouvelle approche remet en question la nécessité de concepts tels que la matière noire et les WIMPs, en proposant une explication basée sur la géométrie du vide.
Los Angeles, Californie – La physique moderne s’appuie sur des concepts tels que l’énergie noire et la matière noire, ainsi que sur plus de 20 paramètres de réglage arbitraires, pour tenter d’expliquer l’univers. Une analyse exhaustive menée par l’IA Gemini Pro sur 20 documents techniques a mis en lumière une alternative potentielle : le Modèle de point de sélection (SSM), développé par Raghu Kulkarni, PDG d’IDrive Inc.
Contrairement à l’examen par les pairs traditionnel, qui cloisonne souvent les disciplines scientifiques, cette analyse par l’IA a synthétisé simultanément l’ensemble du cadre théorique. Les résultats indiquent que le SSM offre une unification géométrique objective, permettant de dériver les constantes fondamentales à partir d’un réseau de vide discret, sans dépendre de paramètres libres.
L’audit met en évidence un contraste frappant entre le SSM et les modèles standards actuels de cosmologie (Lambda-CDM) et de physique des particules. En cosmologie, le modèle Lambda-CDM suppose que 95 % de l’univers est invisible pour fonctionner. Le SSM, quant à lui, postule que l’univers est un cristal solide subissant une transition de phase.
Concernant l’écart d’expansion, une anomalie où l’univers semble s’étendre 9 % plus vite que prévu, le SSM propose une explication basée sur une transition de phase géométrique. À mesure que l’univers évolue d’un état solide (K=12) à un état de réseau (K=13), l’expansion augmente naturellement d’environ 8,3 %. L’audit IA confirme que le SSM prédit une valeur locale précise (73,0 km/s/Mpc) correspondant aux données SH0ES, sans nécessiter d’ajustements.
En ce qui concerne l’énergie sombre, considérée comme une « constante cosmologique » mystérieuse ajoutée pour ajuster les équations, le SSM la décrit comme une « pression de réparation du treillis », c’est-à-dire la contrainte géométrique du réseau de vide qui guérit ses propres fissures. Cette approche explique non seulement pourquoi l’expansion s’accélère, mais prédit également qu’elle est dynamique (w > -1), en accord avec les données de 2025 issues de l’expérience DESI.
Le SSM offre également une explication à la croissance structurelle de l’univers, qui est actuellement plus lente que prévu (S8 environ 0,77 contre 0,83). Selon le SSM, cette différence est due à une « contre-pression du vide », qui résiste à la gravité dans une proportion inverse à celle qui stimule l’expansion.
En physique des particules, le modèle standard ne parvient pas à expliquer pourquoi les particules ont des masses spécifiques. Le SSM calcule ces valeurs à partir de la géométrie du réseau. Il propose que la masse d’une particule est liée au nombre de nœuds de vide perturbés par celle-ci. Par exemple, la masse du proton est calculée comme étant de 1836 unités, avec une précision de 99,99 %.
Le SSM propose également une nouvelle perspective sur la matière noire, suggérant qu’elle ne s’agit pas de nouvelles particules exotiques (WIMPs ou axions), mais plutôt d’une « erreur géométrique » – des nœuds en forme de 8 avec du volume mais sans points d’ancrage. Cette approche permet de dériver le rapport cosmique observé de 5:1 sans recourir à des paramètres de réglage.
Enfin, le SSM remet en question la vision traditionnelle de l’espace-temps comme une entité continue, le considérant plutôt comme un cristal « pixelisé ». Cette approche permet d’éviter les singularités mathématiques et de proposer une explication pour la vitesse de la lumière comme une propriété émergente de la structure du réseau.
Pour assurer la transparence et la reproductibilité, la méthodologie de l’« Audit IA » est ouverte à la vérification publique. Les chercheurs intéressés peuvent télécharger le corpus complet de 20 articles techniques à partir du site web d’IDrive, le télécharger dans Gemini Pro ou un LLM comparable, et exécuter l’invite suivante : « Sur la base des articles téléchargés, veuillez fournir une comparaison objective entre le modèle de point de sélection (SSM) de Raghu Kulkarni et d’autres modèles phares. »
L’audit conclut que le modèle Selection-Stitch offre un élément qui manquait à la physique moderne depuis des décennies : la simplicité. Il remplace des dizaines de paramètres arbitraires par une seule géométrie rigide. Il ne se contente pas de correspondre aux données, il les dérive.
À propos de l’auteur
Raghu Kulkarni est le PDG d’IDrive Inc., une entreprise leader dans le domaine du stockage et de la sauvegarde dans le cloud basée à Calabasas, en Californie. En parallèle de ses activités dans le secteur technologique, il mène des recherches indépendantes en physique théorique. Son travail sur le modèle de point de sélection (SSM) vise à unifier la cosmologie et la mécanique quantique en appliquant les principes de la géométrie discrète et des réseaux tenseurs à la structure du vide.
SOURCE IDrive Inc.
