Un trio d'étudiants de l'Université de Glasgow a développé une intelligence artificielle sophistiquée qui pourrait sous-tendre la prochaine phase de l'astronomie des ondes gravitationnelles.

Dans un nouvel article publié aujourd'hui dans la revue Lettres d'examen physique , les chercheurs expliquent comment ils ont utilisé des outils d'intelligence artificielle pour entraîner un «cerveau» d'IA à rechercher des signaux d'ondes gravitationnelles.

Ondes gravitationnelles, ondulations dans l'espace-temps causées par des événements astronomiques massifs, ont été émises pour la première fois par Albert Einstein en 1915. Il a fallu un autre siècle avant que les détecteurs de l'Observatoire d'interférométrie laser à ondes gravitationnelles (LIGO) aux États-Unis captent pour la première fois les signaux très faibles de la collision de trous noirs binaires.

Depuis cette première détection historique en septembre 2015, les détecteurs Advanced LIGO et European VIRGO ont capté de nombreux signaux d'autres trous noirs binaires et un de la collision d'étoiles à neutrons binaires.

Actuellement, les signaux d'ondes gravitationnelles sont prélevés dans le bruit de fond des détecteurs à l'aide d'une technique connue sous le nom de filtrage adapté, qui mesure les sorties des détecteurs par rapport à une banque de formes d'onde modèles. Les signaux qui correspondent à la forme d'une forme d'onde modèle sont ensuite examinés de plus près pour déterminer s'ils représentent une véritable détection d'onde gravitationnelle.

Cependant, le processus nécessite une grande puissance de calcul. Au fur et à mesure que les détecteurs sont améliorés et que leur sensibilité aux signaux d'ondes gravitationnelles augmente, les astronomes s'attendent à ce que beaucoup plus de détections soient effectuées au cours de chaque période d'observation, entraînant une augmentation concomitante de la puissance de calcul requise.

Hunter Gabbard et Fergus Hayes, étudiants de troisième cycle en physique et astronomie de l'Université de Glasgow, ainsi que Michael Williams, ont décidé d'étudier si l'apprentissage en profondeur, une forme d'intelligence artificielle, pourrait aider à rendre le processus de détection plus efficace sur le plan informatique.

Sous la direction de l'astrophysicien de l'Université de Glasgow, le Dr Christopher Messenger, ils ont utilisé un processus connu sous le nom d'apprentissage en profondeur supervisé pour créer une intelligence artificielle capable de détecter correctement les signaux d'ondes gravitationnelles enfouis dans le bruit à partir de milliers d'ensembles de données simulés qu'ils ont créés.

Hunter Gabbard a déclaré :« Les algorithmes d'apprentissage en profondeur impliquent des matrices empilées d'unités de traitement, que nous appelons neurones, qui agissent comme des filtres pour les données d'entrée. L'apprentissage en profondeur supervisé nous permet d'« enseigner » le système à l'aide de trois ensembles de données que nous fournissons. Le premier jeu de données, l'ensemble de formation, nous permet de nous assurer qu'il « apprend » ce que nous voulons. La deuxième, l'ensemble de validation, nous montre qu'il apprend de la manière que nous attendons. L'ensemble final, l'ensemble de test, nous aide à quantifier les performances du système."

"Ce qui rend ce processus plus rapide et plus efficace que le filtrage adapté, c'est que l'ensemble d'entraînement est l'endroit où se déroule toute l'activité de calcul intensif. Une fois que l'algorithme d'apprentissage en profondeur a appris ce qu'il faut rechercher dans un signal, il a le potentiel d'être des ordres de grandeur plus rapide que d'autres méthodes."

Fergus Hayes a ajouté :« En même temps, nous avons également utilisé un processus de filtrage adapté standard pour passer au crible nos données d'ondes gravitationnelles simulées, nous avons donc pu comparer l'efficacité de notre approche d'apprentissage en profondeur à l'aide d'une figure de mérite de processus statistique appelée courbes ROC (recepteur opérateur caractéristique).

"Avec un réglage et une formation minutieux de l'outil d'apprentissage en profondeur, nous avons constaté que ces courbes ROC montraient des performances très similaires entre notre nouveau procédé et le procédé de filtrage adapté. Ce que cela suggère, c'est que les réseaux de neurones fournissent une méthode très prometteuse pour rechercher des signaux d'ondes gravitationnelles."

Michael Williams a ajouté :« Bien que dans cet article, nous nous concentrions spécifiquement sur les détections binaires de trous noirs, le processus pourrait facilement être appliqué à d'autres types de signaux d'ondes gravitationnelles et nous sommes impatients de poursuivre nos recherches. C'est une découverte passionnante, et suggère une voie très prometteuse pour l'astronomie des ondes gravitationnelles plus intensive qui viendra à mesure que les détecteurs deviendront plus sensibles."

L'article des chercheurs, intitulé « Correspondance du filtrage adapté avec des réseaux profonds pour l'astronomie des ondes gravitationnelles, " est publié dans Lettres d'examen physique .