Multi-branch classification of diffuse cluster radio emission

Imaginez l'univers comme un gigantesque océan invisible. La plupart d'entre nous voient les îles — les étoiles et les galaxies brillantes — mais les astronomes sont obsédés par l'eau elle-même : le vaste gaz chaud qui remplit l'espace entre les galaxies. Cet « océan » est appelé le milieu intra-amas, et c'est un endroit chaotique où les galaxies s'entrechoquent comme des voitures de bumper car, créant des ondes de choc et une turbulence tourbillonnante. Quand cela se produit, cela accélère les particules à des vitesses proches de celle de la lumière, et ces particules dansent à travers des champs magnétiques, brillant d'une lumière faible et fantomatique appelée rayonnement synchrotron. C'est comme si l'univers murmurait un secret dans une langue que nous ne pouvons entendre qu'avec de géants yeux radio.

Le problème est que ce murmure est incroyablement faible. C'est comme essayer d'entendre le chant d'un seul grillon dans un stade rempli de supporters en délire. Pendant des décennies, les astronomes ont lutté pour trouver ces faibles signaux radio car ils sont souvent enfouis dans le « statique » du propre bruit du télescope ou cachés derrière des sources brillantes et compactes comme des galaxies actives. Mais nous entrons maintenant dans une nouvelle ère de l'astronomie radio où les télescopes seront si puissants qu'ils généreront des montagnes de données. Le défi n'est pas seulement de construire de plus grands télescopes ; c'est d'apprendre aux ordinateurs à être assez intelligents pour repérer ce faible chant de grillon dans le rugissement de la foule sans se fatiguer ou s'embrouiller. C'est là que l'apprentissage automatique intervient, agissant comme un détective surpuissant pour le cosmos.

Dans cet article, deux astronomes nommés Markus et Emma ont entrepris de construire un meilleur détective pour trouver ces faibles murmures radio dans les amas de galaxies. Ils ont utilisé les données du télescope LOFAR, qui a déjà repéré certains de ces signaux, mais ils voulaient voir s'ils pouvaient entraîner un ordinateur à les trouver de manière encore plus fiable, surtout lorsque les données sont désordonnées ou que les signaux sont très faibles. Imaginez que vous essayez d'apprendre à un chien à trouver une odeur spécifique dans une forêt. Si la forêt est pleine d'autres odeurs fortes (comme des sources radio brillantes), le chien pourrait être distrait. Les auteurs voulaient voir s'ils pouvaient donner au chien un meilleur nez et une façon de renifler plus intelligente.

Ils ont testé quatre différentes méthodes d'« entraînement de chien » (qui sont en réalité des modèles informatiques appelés réseaux de neurones). Le premier était un modèle standard et simple. Le deuxième était un modèle qui utilisait un outil mathématique fixe appelé « transformée de diffusion » (ST), ce qui revient à donner à l'ordinateur une carte préétablie de ce à quoi ressemblent les textures et les motifs, afin qu'il n'ait pas à les apprendre à partir de zéro. Le troisième et le quatrième modèles étaient des détectives à « double branche ». Imaginez une équipe de détectives où un membre regarde la vue d'ensemble (la forme du nuage) et l'autre regarde les détails fins (la texture du gaz). En combinant leurs opinions, l'équipe espère faire moins d'erreurs que si chaque membre travaillait seul.

Les auteurs ont également testé différentes façons de préparer la « forêt » avant de la montrer aux chiens. Ils ont testé trois stratégies principales :

1. Le découpage par pixels (Pixel Cropping) : Découper un carré de l'image avec un nombre fixe de pixels, comme prendre la photo d'un carré de forêt de 10x10 pouces.
2. Le découpage par champ de vision (Field-of-View Cropping) : Découper un carré d'une taille physique fixe (comme 800 secondes d'arc), quel que soit le nombre de pixels que cela nécessite.
3. Le découpage par faisceau (Beam Cropping) : C'était la méthode ingénieuse. Au lieu de découper une taille fixe, ils ont découpé un nombre spécifique de « faisceaux de télescope ». Un faisceau de télescope est comme la taille d'un seul « pixel » de la vision du télescope. En découpant, par exemple, 10 faisceaux, ils ont fait en sorte que chaque image présentée à l'ordinateur ait la même relation avec la résolution et le bruit naturels du télescope, peu importe la distance de l'amas de galaxies ou la configuration du télescope.

Ils ont également essayé de « lisser » les images, soit en les floutant mathématiquement (comme regarder à travers une fenêtre embuée), soit en utilisant une technique appelée « uv-tapering » (qui revient à réduire la sensibilité aux détails fins pour faire ressortir les formes larges et diffuses). Ils se sont demandé si l'empilement de plusieurs versions de la même image les unes sur les autres (comme regarder un empilement 3D de photos) aiderait l'ordinateur à mieux voir.

Qu'ont-ils trouvé ?

Les résultats ont été très clairs et leur ont donné quelques grandes leçons pour l'avenir de l'astronomie radio :

• Le travail d'équipe gagne : Les modèles à « double branche », où deux types différents de détecteurs travaillent ensemble, ont été les meilleurs pour trouver les faibles signaux radio. Plus précisément, le modèle qui combine une branche de vision par ordinateur standard avec la branche de la « transformée de diffusion » (appelé DualSSN) a été le champion. Il était le plus précis et le plus constant.
• La stratégie du « faisceau » est la clé : La méthode du découpage par faisceau a été la grande gagnante pour la préparation des images. En découpant un nombre fixe de faisceaux de télescope, l'ordinateur pouvait comparer des choses comparables. Lorsqu'ils utilisaient les autres méthodes (pixels fixes ou angles fixes), l'ordinateur se mélangeait les pinceaux car le « bruit » dans les images paraissait différent dans chaque image. La méthode du faisceau rendait le bruit identique partout, permettant à l'ordinateur de se concentrer sur les signaux radio réels.
• Le lissage aide, l'empilement ne sert à rien : Le lissage des images (que ce soit par le flou ou par l'uv-tapering) a aidé l'ordinateur à mieux trouver les signaux faibles que l'observation d'images nettes et brutes. Cela est logique car les signaux sont diffus, donc le floutage de l'image les fait ressortir par rapport au fond. Cependant, l'empilement de plusieurs versions de la même image (comme montrer une version nette et une version floue en même temps) n'a pas aidé. En fait, cela n'a pas amélioré les résultats. Les auteurs suggèrent que c'est parce que les différentes versions étaient trop similaires ; elles présentaient simplement la même information de manières légèrement différentes, ce qui a plutôt confondu l'ordinateur.
• La « fenêtre embuée » est une bonne astuce : Ils ont découvert que le simple fait de flouter les images par ordinateur (sans avoir besoin des données brutes complexes du télescope) fonctionnait tout aussi bien que la méthode plus complexe de l'« uv-tapering ». C'est un point majeur, car les futurs télescopes pourraient ne pas fournir les données brutes nécessaires pour l'uv-tapering. Si un simple flou fonctionne aussi bien, les astronomes peuvent utiliser leurs ordinateurs pour faire le gros du travail même lorsqu'ils ne disposent pas de l'intégralité des données brutes.

Ce qu'ils ont écarté :
Les auteurs ont explicitement montré que l'empilement de plusieurs versions d'images ne améliore pas les performances. Ils ont également constaté que la méthode simple de « découpage par pixels », très populaire dans d'autres projets d'astronomie, était en fait moins performante que le découpage par faisceau lorsqu'il s'agit de traiter ces images radio lissées. La méthode du « Champ de Vision » était la pire des trois, probablement parce qu'elle capturait des tailles physiques de l'univers différentes selon la distance des galaxies, ce qui rendait difficile l'apprentissage d'un motif cohérent.

À quel point sont-ils sûrs d'eux ?
Les auteurs sont assez confiants dans leurs conclusions, mais ils précisent avec prudence que leur ensemble de données est encore relativement petit (environ 200 amas de galaxies). En raison de cette limitation des données, la performance de l'ordinateur variait un peu d'un test à l'autre (comme un étudiant obtenant un score légèrement différent selon les jours). Cependant, les tendances étaient très cohérentes : le modèle à double branche avec découpage par faisceau et lissage était toujours le meilleur. Ils suggèrent qu'à mesure que nous obtiendrons plus de données provenant de futurs télescopes comme le SKA (Square Kilometre Array), ces méthodes deviendront encore plus puissantes. Ils ne prétendent pas avoir résolu le mystère de l'univers, mais ils ont certainement trouvé une meilleure lampe de poche pour regarder dans les coins sombres du ciel radio.

En résumé, si vous voulez trouver les signaux radio les plus faibles et les plus diffus de l'univers, ne vous contentez pas de regarder l'image la plus nette. Floutez-la un peu, découpez-la d'une manière qui respecte la « taille de pixel » naturelle du télescope, et utilisez une équipe de deux cerveaux informatiques différents pour l'examiner ensemble. C'est la recette du succès pour l'ère à venir des géants télescopes radio.