Un réseau de neurones analyse les ondes gravitationnelles en temps réel — –

Une équipe interdisciplinaire de chercheurs du Max Planck Institute for Intelligent Systems (MPI-IS) à Tübingen et du Max Planck Institute for Gravitational Physics (Albert Einstein Institute/AEI) à Potsdam utilise des méthodes d’apprentissage automatique de pointe pour accélérer ce processus. Ils ont développé un algorithme utilisant un réseau de neurones profonds, un code informatique complexe construit à partir d’une séquence d’opérations plus simples, inspirée du cerveau humain. En quelques secondes, le système déduit toutes les propriétés de la source binaire du trou noir. Les résultats de leurs recherches ont été publiés dans la revue phare de Physics, Lettres d’examen physique.

“Notre méthode peut faire des déclarations très précises en quelques secondes sur la taille et la masse des deux trous noirs qui ont généré les ondes gravitationnelles lorsqu’ils ont fusionné. À quelle vitesse les trous noirs tournent-ils, à quelle distance sont-ils de la Terre et de quelle direction est-ce que l’onde gravitationnelle arrive ? On peut déduire tout cela des données observées et même faire des déclarations sur la précision de ce calcul », explique Maximilian Dax, premier auteur de l’étude Science des ondes gravitationnelles en temps réel avec estimation neuronale postérieure et Ph.D. étudiant au Département d’Inférence Empirique au MPI-IS.

Les chercheurs ont entraîné le réseau de neurones avec de nombreuses simulations – des signaux d’ondes gravitationnelles prédits pour des systèmes de trous noirs binaires hypothétiques combinés au bruit des détecteurs. De cette façon, le réseau apprend les corrélations entre les données d’ondes gravitationnelles mesurées et les paramètres caractérisant le système de trou noir sous-jacent. Il faut dix jours pour l’algorithme appelé DINGO (l’abréviation signifie réepais DANSréférence pour gravitational-wave LAobservations) pour apprendre. Ensuite, il est prêt à l’emploi : le réseau déduit la taille, les spins et tous les autres paramètres décrivant les trous noirs à partir des données des ondes gravitationnelles nouvellement observées en quelques secondes seulement. L’analyse de haute précision décode les ondulations dans l’espace-temps presque en temps réel – quelque chose qui n’a jamais été fait avec une telle vitesse et précision. Les chercheurs sont convaincus que l’amélioration des performances du réseau de neurones ainsi que sa capacité à mieux gérer les fluctuations de bruit dans les détecteurs feront de cette méthode un outil très utile pour les futures observations d’ondes gravitationnelles.

“Plus nous explorons l’espace à travers des détecteurs de plus en plus sensibles, plus les signaux d’ondes gravitationnelles sont détectés. Des méthodes rapides comme la nôtre sont essentielles pour analyser toutes ces données dans un laps de temps raisonnable”, explique Stephen Green, scientifique principal au sein du Département de Relativité Astrophysique et Cosmologique de l’AEI. « DINGO a l’avantage qu’une fois entraîné, il peut analyser de nouveaux événements très rapidement. Il est important de noter qu’il fournit également des estimations détaillées de l’incertitude sur les paramètres, qui étaient difficiles à produire dans le passé à l’aide de méthodes d’apprentissage automatique. » Jusqu’à présent, les chercheurs des collaborations LIGO et Virgo ont utilisé des algorithmes de calcul très chronophages pour analyser les données. Ils ont besoin de millions de nouvelles simulations de formes d’ondes gravitationnelles pour l’interprétation de chaque mesure, ce qui conduit à des temps de calcul de plusieurs heures à plusieurs mois. connue sous le nom d’« inférence amortie ».

La méthode est prometteuse pour des signaux d’ondes gravitationnelles plus complexes décrivant des configurations binaires de trous noirs, dont l’utilisation dans les algorithmes actuels rend les analyses très longues, et pour les étoiles à neutrons binaires. Alors que la collision des trous noirs libère de l’énergie exclusivement sous forme d’ondes gravitationnelles, la fusion des étoiles à neutrons émet également un rayonnement dans le spectre électromagnétique. Ils sont donc également visibles par les télescopes qui doivent être pointés vers la région respective du ciel le plus rapidement possible afin d’observer l’événement. Pour ce faire, il faut déterminer très rapidement d’où vient l’onde gravitationnelle, comme le facilite la nouvelle méthode d’apprentissage automatique. À l’avenir, ces informations pourraient être utilisées pour pointer des télescopes à temps pour observer les signaux électromagnétiques provenant des collisions d’étoiles à neutrons et d’une étoile à neutrons avec un trou noir.

Alessandra Buonanno, directrice de l’AEI, et Bernhard Schölkopf, directeur du MPI-IS, sont ravis de la perspective de porter leur collaboration fructueuse à un niveau supérieur. Buonanno s’attend à ce qu’« à l’avenir, ces approches permettront également un traitement beaucoup plus réaliste du bruit du détecteur et des signaux gravitationnels qu’il n’est possible aujourd’hui en utilisant des techniques standard », et Schölkopf ajoute qu’une telle « inférence basée sur la simulation utilisant l’apprentissage automatique pourrait être transformateur dans de nombreux domaines de la science où nous devons inférer un modèle complexe à partir d’observations bruyantes. »

Source de l’histoire :

Matériel fourni par Institut Max Planck pour les systèmes intelligents. Remarque : Le contenu peut être modifié pour le style et la longueur.