Avec le Cherenkov Telescope Array (CTA) actuellement en construction, les chercheurs espèrent observer des rayons gamma hautement énergétiques qui pourraient conduire à la découverte de nouveaux objets à l'intérieur et à l'extérieur de notre galaxie et même percer le mystère de la matière noire. Cependant, l'identification de ces rayons gamma n'est pas facile. Des chercheurs du consortium CTA tentent aujourd'hui de le perfectionner avec des réseaux de neurones entraînés sur le supercalculateur Piz Daint.

À l'achèvement en 2025, le Cherenkov Telescope Array (CTA) sera le plus grand réseau de télescopes d'observation à rayons gamma jamais construit. Plus de 100 télescopes d'un diamètre compris entre 4 et 23 mètres sont en cours d'installation dans les hémisphères nord et sud, à l'observatoire Roque de los Muchachos sur l'île canarienne de La Palma et dans le désert d'Atacama au Chili. Les télescopes sont conçus pour enregistrer de manière exhaustive les éclairs de lumière induits par les rayons gamma traversant le cosmos qui frappent l'atmosphère terrestre. Les rayons gamma proviennent d'événements cosmiques violents et sont mille milliards de fois plus énergétiques que la lumière visible. Ils sont générés par des "accélérateurs de particules cosmiques" tels que des explosions de supernova ou des trous noirs supermassifs dévorant les étoiles environnantes, gaz et poussière.

Extraire les rayons gamma d'une douche de particules pose un défi

Lorsque les rayons gamma frappent l'atmosphère terrestre, ils interagissent avec les atomes et les molécules de l'air pour créer une pluie de particules, qui produit principalement des éclairs bleus appelés lumière Cherenkov. Cette lumière est collectée par le système de miroir du télescope spécialement conçu et focalisée sur des caméras extrêmement rapides. Avec ces données, les chercheurs peuvent tirer des conclusions sur la source des rayons gamma qui pourraient permettre de découvrir des centaines de nouveaux objets dans notre propre galaxie, la voie Lactée, et même dans les galaxies en formation d'étoiles et les trous noirs supermassifs à l'extérieur. Les rayons gamma détectés par le CTA pourraient, entre autres, fournissent également une signature directe de la matière noire, dont l'existence est étayée par des observations indirectes mais n'a jamais été observée directement.

Les photos de ces événements cosmiques recueillies par le CTA montrent des ellipses allongées, selon Etienne Lyard et ses collègues du Département d'Astronomie, Université de Genève, dans leur dernière étude publiée dans le Journal of Physics :Série de conférences . Il existe deux types de particules à l'origine de ces événements :les hadrons, qui sont les plus nombreux; et les particules d'intérêt, les photons de haute énergie appelés rayons gamma. "Les chercheurs s'intéressent surtout aux rayons gamma, puisqu'ils traversent l'espace interstellaire en ligne droite, tandis que les hadrons, étant des particules chargées, courbure due aux champs magnétiques, " dit Lyard.

Il existe des procédures bien établies pour différencier les rayons gamma et les hadrons; mais afin d'être le plus sûr possible que seuls les rayons gamma sont détectés et évalués, beaucoup d'événements ambigus sont filtrés, ce qui réduit la sensibilité globale des instruments. Néanmoins, parfois les événements hadroniques sont encore faussement identifiés comme des rayons gamma, qui contaminent alors l'expérience sous forme de bruit de fond.

Les réseaux de neurones améliorent la sensibilité du réseau de télescopes

Pour améliorer la procédure de discrimination entre hadrons et rayons gamma, et donc la sensibilité des observatoires, Lyard et son équipe ont maintenant tenté de les distinguer les uns des autres à l'aide de réseaux de neurones à convolution profonde (CNN) formés sur le superordinateur CSCS Piz Daint. Ils ont évalué les performances des CNN par rapport aux méthodes conventionnelles de détection des rayons gamma (Boosted Decision Trees) en utilisant des événements générés avec des simulations de Monte Carlo, lequel, selon les auteurs, se rapproche le plus des événements réels. "Notre travail est une tentative d'utilisation des réseaux de neurones issus de la vision par ordinateur, une sorte de vision artificielle, qui traite et analyse les images captées par les caméras de diverses manières et les adapte pour travailler sur nos données, " dit Lyard. Et il s'avère que, dans des conditions particulières, les CNN surpassent les techniques classiques.

Bien qu'il y ait encore beaucoup de place pour l'amélioration de l'architecture des CNN, les chercheurs sont convaincus que ces approches et d'autres d'apprentissage automatique pourraient aider à obtenir les meilleurs résultats scientifiques de l'observatoire du CTA. « Nous sommes convaincus que ces approches finiront par devenir la norme, parce qu'il surpasse déjà les techniques de pointe alors qu'aucune information sur les processus physiques à l'œuvre n'a été intégrée à l'analyse, " dit Lyard. " Au fur et à mesure que notre compréhension des CNN grandit, des critères plus appropriés, comme le développement temporel des ellipses allongées, seront utilisés pour effectuer l'analyse, et la performance globale s'améliorera certainement, trop."