Entendre les ondes gravitationnelles avec Deep Learning

Ce billet invité a été rédigé par Paolo Cremonese, doctorant à l’Université de Szczecin, en Pologne. Il étudie l’effet ondulatoire de lentille des ondes gravitationnelles afin de contraindre les paramètres astrophysiques et cosmologiques liés à ces événements. En dehors de l’université, il aime faire et regarder des sports et voyage autant qu’il le peut.

Titre: Explorer la détection des ondes gravitationnelles et l’inférence des paramètres à l’aide de méthodes d’apprentissage en profondeur

Auteurs: João D. Álvares, José A. Font, Felipe F. Freitas, et al.

Institution du premier auteur: Université du Minho, Braga, Portugal

Statut: Publié dans Gravité classique et quantique [closed access]

La détection et l’étude des ondes gravitationnelles est un domaine passionnant et en expansion de l’astrophysique. L’apprentissage en profondeur est un outil établi et puissant qui peut être utilisé pour la classification des données dans de nombreux domaines. Peut-on appliquer le deep learning à l’étude des GW ? Le journal d’aujourd’hui dit oui !

Mettre une oreille sur l’univers

La première détection d’un signal d’onde gravitationnellepar le Interféromètre laser Observatoire des ondes gravitationnelles (LIGO) en 2015, a ouvert un nouvel œil sur l’univers. En fait, il a ouvert, pour la première fois, une oreille à l’univers. En fait, les ondes gravitationnelles ressemblent beaucoup plus au son qu’à la lumière. Ils ne produisent pas de photons, nous ne pouvons donc pas avoir une image correcte des sources et, tout comme les ondes sonores, ils émettent dans toutes les directions. Au lieu de se propager dans l’air, cependant, ils se propagent dans l’espace-temps lui-même et peuvent être produits par certains des événements les plus puissants de l’univers : la fusion de trous noirs et/ou d’étoiles à neutrons.

Le principal problème de la détection des ondes gravitationnelles est que les signaux sont extrêmement faibles et, même si les détecteurs font partie des les outils les plus sensibles jamais construitsle signal peut obtenir enterré dans le bruit. Ce bruit peut être causé par l’activité sismique, la fluctuation des atomes qui composent le détecteur, l’électronique utilisée dans la machine et bien d’autres petites perturbations. Par conséquent, la meilleure façon de reconnaître le signal immergé dans ce bruit est de savoir à l’avance ce que nous recherchons. La façon standard, coûteuse en calcul, de le faire est d’utiliser filtrage adaptéqui compare le signal que nous mesurons à un catalogue de signaux connus pour trouver la meilleure correspondance.

Alors, comment pouvons-nous identifier ces signaux plus efficacement ? Le journal d’aujourd’hui dit l’apprentissage en profondeur. Après tout, le but de l’apprentissage en profondeur est de classer et reconnaître des modèles. L’apprentissage en profondeur repose sur le fait que nous savons déjà ce que nous recherchons, et nous utilisons ces connaissances pour décider rapidement si nos données contiennent des fonctionnalités connues. Par exemple, si nous entraînons l’algorithme à reconnaître les caractéristiques d’un chat, étant donné un ensemble d’images d’animaux de compagnie, il peut trier celles qui contiennent des chats, comme le montre la figure 1. C’est exactement ce que les auteurs de l’article ont fait, sauf qu’ils ont recherché des signaux d’ondes gravitationnelles de LIGO au lieu de chats.

version graphique simplifiée du fonctionnement d'un algorithme d'apprentissage profond pour la reconnaissance d'espèces animales

Figure 1: Exemple schématique du fonctionnement d’un algorithme d’apprentissage en profondeur pour reconnaître l’image d’un chat. Grâce aux données d’apprentissage, l’algorithme extrait les caractéristiques de chaque espèce animale. Lors de la classification de nouvelles images, l’algorithme exploitera ces caractéristiques connues pour reconnaître la bonne espèce animale. (Crédit image : MathWorks)

Plonger profondément dans les données des ondes gravitationnelles

Le deep learning fonctionne très bien comme algorithme de traitement d’images, mais les données brutes produites par les détecteurs GW ne sont pas vraiment adaptées à ce genre d’étude. Les signaux d’ondes gravitationnelles sont détecté en termes de souche, ou combien d’espace-temps est étiré et comprimé par une onde gravitationnelle. Pour en faire une image, les auteurs ont créé spectrogrammes, qui tracent la force du signal en fonction de la fréquence dans le temps, à partir des données de déformation. Comme le montre la figure 2, les auteurs ont utilisé les données des trois détecteurs GW actuellement utilisés : LIGO Hanford, LIGO Livingston et VIERGE. Ils ont attribué à chaque détecteur des couleurs (respectivement rouge, vert et bleu), puis ont fusionné les images ensemble, créant une image colorée décrivant l’événement. Cette image, enfin, est bien adaptée à une étude d’apprentissage profond.

L’étape suivante consiste à entraîner l’algorithme à reconnaître les événements d’ondes gravitationnelles. Plus les données sont nombreuses dans l’ensemble d’apprentissage, meilleure sera la reconnaissance. Pour un événement d’onde gravitationnelle typique, une coalescence binaire compacte (par exemple deux trous noirs fusionnés), le spectrogramme attendu est bien compris et peut être simulé pour de nombreux cas différents. Les auteurs ont donc simulé un grand nombre d’événements : au total, plus de 80 000 images ont été créées pour entraîner l’algorithme et 25 000 pour le tester.

Figure 2: Spectrogrammes du signal dans les différents détecteurs. La axe x décrit l’heure et la axe y la fréquence de l’événement GW. Les détecteurs se voient attribuer des couleurs, rouge pour Hanford, vert pour Livingstone et bleu pour Virgo, puis fusionnés pour former une image colorée de l’événement. (Figure 1a dans l’article)

L’apprentissage en profondeur fonctionne-t-il ?

Les auteurs ont constaté que l’algorithme d’apprentissage en profondeur est très bien adapté pour identifier les signaux d’ondes gravitationnelles. Ils ont pu reconnaître les 10 signaux du premier cycle d’observation, O1, et 34 événements sur 37 (à l’exclusion des événements de fusion d’étoiles à neutrons) du deuxième cycle d’observation, O2. Les 3 événements non reconnus auraient pu être omis car, comme le soulignent les auteurs, les algorithmes ont été optimisés pour la sensibilité de O1. Ils ont également pu déduire les paramètres des événements, tels que masse de gazouillis et la distance, comme le montre la figure 3.

comparaison des résultats de l'algorithme d'apprentissage profond avec ceux officiels de LIGO pour 3 paramètres différents

Figure 3: Paramètres d’événement GW. Les résultats LIGO sont affichés en vert, tandis que les paramètres prédits du papier sont affichés en bleu et rouge. Sur le axe x on retrouve les 3 paramètres différents décrits sur la figure : la masse du chirp, distance de luminosité et essorage efficace; sur le axe y sont les événements O1. Les deux résultats concordent pour tous ces événements. (Figure 11b de l’article)

Ces résultats montrent que l’apprentissage en profondeur est efficace pour trouver des signaux d’ondes gravitationnelles enfouis dans le bruit. Au lieu de passer par un processus long et exigeant en termes de calcul pour rechercher les signaux, comme le filtrage adapté peut l’être, l’apprentissage en profondeur peut les trouver rapidement en une fraction du temps. Cela pourrait être incroyablement utile à l’avenir, car des détecteurs comme LIGO sont mis à niveau vers des sensibilités plus élevées et observeront un nombre toujours croissant d’événements.

Edité par Macy Huston
Image en vedette d’Álvares et al.

Facebook
Twitter
LinkedIn
Pinterest

Leave a Reply

Your email address will not be published.

This site uses Akismet to reduce spam. Learn how your comment data is processed.

ADVERTISEMENT