Lorsque deux trous noirs fusionnent, ils émettent des ondes gravitationnelles qui traversent l’espace et le temps à la vitesse de la lumière. Lorsque ceux-ci atteignent la Terre, de grands détecteurs aux États-Unis (LIGO), en Italie (Vierge) et au Japon (KAGRA) peuvent détecter les signaux. En comparant avec les prédictions théoriques, les scientifiques peuvent alors déterminer les propriétés des trous noirs : masses, spins, orientation, placement dans le ciel et length de la Terre.
Une équipe de chercheurs du Département d’inférence empirique de l’Institut Max Planck pour les systèmes intelligents (MPI-IS) à Tübingen et du Département de relativité astrophysique et cosmologique de l’Institut Max Planck de physique gravitationnelle (Institut Albert Einstein/AEI) à Potsdam a a maintenant développé un système d’apprentissage en profondeur à automobile-vérification qui extrait très précisément les informations des données d’ondes gravitationnelles. Dans le processus, le système vérifie ses propres prédictions sur les paramètres de fusion des trous noirs – un réseau neuronal profond avec un filet de sécurité. Un ensemble de 42 ondes gravitationnelles détectées provenant de la fusion de trous noirs ont été analysées avec succès par l’algorithme : lorsqu’elles ont été comparées à des algorithmes standard coûteux en calculs, les résultats étaient indiscernables. L’étude a été publiée le 26 avril 2023 dans la revue Bodily Evaluation Letters.
DINGO : un réseau de neurones profonds pour l’analyse des ondes gravitationnelles
Les chercheurs ont développé un réseau de neurones profonds appelé DINGO (Deep INference for Gravitational-wave Observations) pour analyser les données. DINGO a été formé pour extraire – ou déduire – les paramètres de la resource d’ondes gravitationnelles à partir des données du détecteur. Il y a eu un communiqué de presse à ce sujet en décembre 2021. Le réseau a appris à interpréter les données réelles (observées) des ondes gravitationnelles après une development avec plusieurs thousands and thousands de signaux simulés dans différentes configurations.
Faites confiance, mais vérifiez
Cependant, à première vue, il n’est pas feasible de dire si le réseau neuronal profond lit correctement les informations. En effet, l’un des inconvénients des systèmes d’apprentissage en profondeur courants est que leurs résultats semblent plausibles même lorsqu’ils sont erronés. C’est pourquoi les chercheurs du MPI-IS et de l’AEI ont ajouté une fonction de contrôle à l’algorithme. Maximilian Dax, doctorant au Département d’Inférence Empirique au MPI-IS et leading auteur de la publication explique : « Nous avons développé un réseau avec un filet de sécurité. Dans un premier temps, l’algorithme calcule les propriétés des trous noirs à partir de la gravité mesurée. sign d’onde. Sur la foundation de ces paramètres calculés, une onde gravitationnelle est modélisée, puis comparée au sign initialement observé. Le réseau de neurones profonds peut ainsi recouper ses propres résultats et les corriger en cas de doute.
L’algorithme se contrôle lui-même, ce qui le rend beaucoup as well as fiable que les méthodes d’apprentissage automatique précédentes. Mais pas seulement. “Nous avons été surpris de découvrir que l’algorithme est souvent able d’identifier des événements anormaux, à savoir des données réelles incompatibles avec nos modèles théoriques. Ces informations peuvent être utilisées pour rapidement” signaler “des données pour une enquête supplémentaire”, déclare Stephen Eco-friendly, co-auteur principal, et ancien chercheur principal à l’AEI (maintenant à l’Université de Nottingham).
“Nous pouvons garantir l’exactitude de notre méthode d’apprentissage automatique – ce qui n’arrive presque jamais dans le domaine de l’apprentissage en profondeur. Il devient donc impératif pour la communauté scientifique d’utiliser l’algorithme pour analyser les données d’ondes gravitationnelles”, déclare Alessandra Buonanno, auteur et directeur du Département Astrophysique et Relativité Cosmologique à l’AEI. Des scientifiques du monde entier étudient les ondes gravitationnelles dans de grandes collaborations, telles que la collaboration scientifique LIGO (LSC), dans laquelle additionally de 1 500 chercheurs sont organisés.
Bernhard Schölkopf, directeur du MPI-IS, ajoute : « Aujourd’hui, DINGO analyse les données d’ondes gravitationnelles — mais une telle méthode d’autocontrôle et d’autocorrection est également intéressante pour d’autres purposes scientifiques où il est important de pouvoir pour corroborer l’exactitude des méthodes de réseau neuronal “boîte noire”.
