Bayesian polarization calibration and imaging in very long baseline interferometry

Imaginez que l'univers soit un immense océan invisible d'ondes radio, qui déferle constamment sur notre planète. Pour voir ce qui se cache dans cet océan, les astronomes n'utilisent pas d'appareils photo classiques ; ils construisent de gigantesques filets flottants faits de paraboles radio dispersées à travers le globe. Cette technique est appelée l'interférométrie à très longue base (VLBI). En reliant ces paraboles entre elles, ils créent un télescope virtuel de la taille de la Terre, capable de voir des détails si infimes qu'ils pourraient tenir sur une pièce de monnaie vue à des milliers de kilomètres de distance. Cependant, regarder l'univers à travers ces filets est délicat. Les « lentilles » de nos télescopes — les paraboles elles-mêmes — sont imparfaites. Elles présentent de minuscules fuites qui laissent les signaux d'un type de polarisation (pensez à la direction dans laquelle l'onde radio vibre) déteindre sur un autre. C'est comme essayer d'écouter un instrument spécifique dans un orchestre alors que votre oreille est légèrement bouchée, provoquant une fuite du son des tambours dans la section des violons. Si vous ne réparez pas ces fuites, l'image que vous construisez de l'objet cosmique est floue et déformée. C'est particulièrement difficile lorsqu'on étudie les champs magnétiques autour des trous noirs et des galaxies, car les signaux que nous recherchons sont incroyablement faibles, souvent mille fois plus faibles que la lueur radio principale.

Ce document présente une nouvelle façon plus intelligente de réparer ces fuites et de construire une image plus claire. Au lieu de l'ancienne méthode, qui revient à essayer de résoudre un puzzle géant en devinant où va chaque pièce et en espérant qu'elle s'ajuste, les auteurs utilisent une approche « bayésienne ». Pensez à cela comme un détective super intelligent qui ne se contente pas de deviner ; il considère toutes les façons possibles dont le puzzle pourrait s'assembler, pèse les probabilités de chaque scénario, puis trouve l'image la plus probable tout en vous indiquant son degré de confiance pour chaque pièce. Les auteurs ont testé cette nouvelle méthode de détective sur des données réelles provenant de deux objets cosmiques célèbres : un quasar appelé 3C273 et un blazar nommé OJ287. Ils ont découvert que leur méthode pouvait voir des détails plus petits que ce que permettaient les anciennes méthodes, révélant des structures complexes dans les champs magnétiques de ces objets qui étaient auparavant cachées. Crucialement, contrairement à l'ancienne méthode, ce nouveau système ne vous donne pas seulement une image ; il vous donne un « score de confiance » pour chaque pixel, vous permettant de savoir exactement à quel point vous pouvez faire confiance à l'image.

L'ancienne méthode vs Le nouveau détective

Pendant longtemps, les astronomes ont utilisé une méthode appelée « CLEAN » pour transformer leurs données radio en images. Imaginez que vous essayiez de dessiner le portrait d'un nuage à partir de quelques photos floues. La méthode CLEAN consiste à trouver les points les plus brillants dans vos photos floues, à dessiner un point parfait à cet endroit, puis à soustraire ce point de la photo pour voir ce qu'il reste. Vous répétez l'opération encore et encore. C'est un peu comme éplucher un oignon couche par couche. Le problème est que cette méthode repose sur beaucoup de conjectures humaines. Vous devez dire à l'ordinateur où regarder et comment soustraire les points. Si vous faites une erreur, ou si le nuage est en réalité une forme complexe et tourbillonnante plutôt que de simples points, l'image finale peut présenter des artefacts bizarres ou des détails manquants. De plus, l'ancienne méthode traite les « fuites » dans le télescope (les erreurs de polarisation) comme si elles étaient statiques et simples, ce qui n'est pas vrai pour les données complexes et à haute vitesse que nous recevons des télescopes modernes.

Les auteurs de ce document soutiennent que cette ancienne méthode est sous-optimale. Ils affirment qu'elle nécessite trop de pilotage manuel de la part d'un utilisateur expérimenté et qu'elle ne donne aucune idée de l'incertitude des résultats. C'est comme recevoir une prévision météorologique qui dit « Il va pleuvoir » sans préciser s'il y a 10 % ou 90 % de chances que cela arrive.

La solution bayésienne : Un détective probabiliste

La nouvelle méthode présentée dans le document utilise ce qu'on appelle « l'inférence bayésienne ». Remplaçons l'épluchage d'oignon par une autre analogie : imaginez que vous essayez de comprendre l'agencement d'une pièce sombre en lançant des balles contre les murs et en écoutant les échos. L'ancienne méthode lancerait quelques balles, devinerait la position des murs et dessinerait une carte. La nouvelle méthode, cependant, considère chaque agencement possible de la pièce qui pourrait produire les échos que vous avez entendus. Elle calcule une « carte de probabilité » pour chaque point de la pièce.

Dans le langage du document, ils explorent la « distribution postérieure ». C'est une façon sophistiquée de dire qu'ils examinent toute la gamme de réponses possibles (les images, les fuites du télescope et les gains du signal) en même temps, plutôt que de choisir juste une seule « meilleure » réponse. Ils utilisent un outil logiciel appelé resolve. Cet outil utilise une technique appelée « inférence variationnelle », qui est un raccourci mathématique permettant à l'ordinateur de trouver rapidement la forme la plus probable de cette carte de probabilité sans avoir à vérifier chaque possibilité une par une.

Ce qu'ils ont trouvé : Des images plus nettes et une incertitude honnête

L'équipe a testé son nouveau détective sur deux cibles cosmiques réelles.

D'abord, ils ont observé 3C273, un quasar (une galaxie active extrêmement brillante) observé à 15 GHz. Ils ont comparé leurs nouvelles images aux anciennes images produites par CLEAN. La nouvelle méthode a produit des images plus nettes et plus détaillées. Par exemple, le « jet » de matière projeté hors du quasar paraissait plus fin et mieux défini dans les nouvelles images. L'ancienne méthode avait tendance à estomper ces détails fins car elle supposait que le ciel était composé de points simples. La nouvelle méthode, quant à elle, a compris que le ciel est un paysage continu et complexe. Elle a également réussi à calculer la « fuite » (les termes D) pour chacun des huit groupes de fréquences utilisés lors de l'observation, montrant que les fuites étaient différentes pour chaque bande, un détail que l'ancienne méthode omettait souvent.

Ensuite, ils ont observé OJ287, un blazar (une galaxie avec un jet dirigé directement vers nous) observé à 86 GHz. C'est encore plus difficile car les signaux sont plus faibles et l'atmosphère provoque plus d'interférences. Ici, ils ont comparé leurs résultats non seulement à l'ancienne méthode, mais aussi à une autre méthode moderne appelée ehtim. Ils ont constaté que leur nouvelle méthode pouvait reconstruire des structures complexes, comme un jet courbe, que l'ancienne méthode ne pouvait pas voir. La nouvelle méthode fournit également une carte d'écart type, qui est essentiellement une carte d'incertitude. Elle montre précisément où l'image est floue en raison de mauvaises données et où elle est nette. C'est un avantage majeur car, en science, savoir ce que l'on ne sait pas est tout aussi important que de savoir ce que l'on sait.

Les règles du jeu

Les auteurs ont veillé à respecter les règles de la physique dans leur nouvelle méthode. Ils ont imposé une « contrainte de polarisation », une règle qui stipule que la quantité totale de lumière polarisée ne peut pas être plus forte que la lumière totale. Dans les anciennes méthodes, les calculs pouvaient parfois devenir confus et créer des images « non physiques » où la lumière polarisée était plus forte que la lumière totale, ce qui est impossible dans la réalité. La nouvelle méthode empêche cela en intégrant la règle directement dans les mathématiques, garantissant que les images sont physiquement réalistes.

Ils ont également constaté que leur méthode pouvait traiter des données « hétérogènes », c'est-à-dire des données provenant de télescopes de tailles et de sensibilités différentes. Les anciennes méthodes avaient souvent du mal avec cela, obligeant les astronomes à rejeter (ou « marquer ») beaucoup de mauvaises données. La nouvelle méthode, cependant, pouvait pondérer les mauvaises données de manière appropriée, conservant ainsi plus d'informations et produisant une meilleure image sans nécessiter la suppression manuelle de pans entiers du jeu de données.

L'essentiel

Ce document ne prétend pas avoir résolu tous les problèmes de l'astronomie. Il démontre que pour les ensembles de données spécifiques testés (3C273 et OJ287), leur méthode bayésienne produit des images de meilleure qualité avec plus de détails et fournit une mesure honnête de l'incertitude. Cela suggère qu'en abandonnant les méthodes manuelles basées sur l'intuition au profit d'une approche probabiliste entièrement automatisée, nous pouvons obtenir une vue plus claire des champs magnétiques et des structures dans les environnements les plus extrêmes de l'univers. Les auteurs concluent que ce pipeline est prêt à être utilisé avec les réseaux de radio futurs, encore plus puissants, promettant une nouvelle ère d'imagerie polarimétrique de haute fidélité où nous ne nous contentons pas de voir l'univers, mais où nous comprenons aussi notre degré de certitude sur ce que nous voyons.