Identifiability Limits of Gravitational Wave Phase Deviations: Multiclass Classification with a Multihead Neural Network

La gravité, telle que décrite par Albert Einstein, n'est pas une force qui attire les objets les uns vers les autres, mais une courbure de l'espace et du temps causée par la masse. Lorsque des objets massifs, comme des trous noirs, spiralent l'un vers l'autre et entrent en collision, ils créent des ondulations dans ce tissu connues sous le nom d'ondes gravitationnelles. Ces ondes transportent une signature distincte, un motif spécifique d'étirement et de compression qui correspond aux prédictions de la théorie d'Einstein avec une précision remarquable. Cependant, les scientifiques se demandent depuis longtemps s'il existe des fissures subtiles dans cette théorie, révélant peut-être une nouvelle physique ou des forces cachées qu'Einstein n'avait pas prévues. Pour trouver ces fissures, les chercheurs écoutent le « chirp » (le gazouillis) de la collision des trous noirs, cherchant de minuscules déviations dans le rythme de l'onde qui signaleraient un écart par rapport aux règles standard de la gravité.

Le défi réside dans l'extrême subtilité de ces déviations potentielles. Elles sont enfouies profondément dans le bruit des détecteurs, et distinguer un véritable nouvel effet physique d'une fluctuation aléatoire ou d'une légère mauvaise interprétation des données est incroyablement difficile. De plus, il existe de nombreuses façons différentes dont une théorie pourrait dévier des prédictions d'Einstein, chacune possédant sa propre empreinte mathématique unique. La question n'est pas seulement de savoir si nous pouvons entendre une déviation, mais si nous pouvons identifier exactement quel type de déviation il s'agit. C'est le puzzle central abordé par une équipe de chercheurs de l'Université de Heidelberg, qui s'est tournée vers l'intelligence artificielle pour voir si un ordinateur pouvait apprendre à trier ces signaux subtils mieux que les méthodes traditionnelles.

Les chercheurs se sont concentrés sur un ensemble spécifique de déviations possibles, organisées en six familles distinctes basées sur la façon dont le rythme de l'onde change au cours de son évolution. Imaginez la fréquence de l'onde comme une note musicale qui glisse le long de la gamme ; dans certaines théories alternatives, ce glissement pourrait s'accélérer ou ralentir d'une manière qui dépend de la hauteur de la note. L'équipe a défini six façons différentes dont ce glissement pourrait se produire, allant d'effets les plus forts aux basses fréquences à ceux qui dominent aux hautes fréquences. Ils ont également inclus le cas standard einsteinien, où aucune déviation de ce type n'existe. Pour tester leurs idées, ils ont généré des milliers de signaux d'ondes gravitationnelles simulés provenant de collisions de trous noirs, injectant ces six types de déviations dans les données, puis ajoutant un bruit de fond réaliste qui imite l'environnement du détecteur Advanced LIGO.

Pour donner un sens à ces données complexes, l'équipe a construit un réseau de neurones, un type de programme informatique modélisé d'après le cerveau humain, conçu pour agir comme un classificateur. Au lieu de simplement demander « Y a-t-il une déviation ? », le réseau a été entraîné à répondre simultanément à deux questions. Premièrement, il devait identifier laquelle des sept possibilités était présente : le signal standard einsteinien ou l'une des six familles de déviation spécifiques. Deuxièmement, il devait estimer l'intensité de cette déviation. L'entrée donnée au réseau n'était pas le son brut de l'onde, mais une carte mathématique spécialisée appelée fonction de réponse. Cette carte met en évidence la sensibilité exacte du détecteur aux changements de la forme de l'onde, filtrant efficacement les parties du signal qui sont déjà bien comprises pour concentrer l'attention de l'ordinateur sur les anomalies subtiles où une nouvelle théorie pourrait se cacher.

Les résultats de cette expérience ont révélé une frontière claire entre ce que l'ordinateur peut faire et ce que les données permettent réellement. Lorsque les déviations étaient fortes et clairement visibles au-dessus du bruit, le réseau de neurones identifiait correctement la bonne famille de déviation environ 43 % du temps pour la sensibilité standard du détecteur et environ 33 % pour les conditions spécifiques d'une récente campagne d'observation. Bien que ces chiffres puissent paraître modestes, ils sont remarquablement proches de la performance d'un classificateur « parfait » théorique. Ce classificateur idéal a été construit par les chercheurs en utilisant la physique exacte du problème, connaissant à l'avance les paramètres réels de chaque source. Le fait que le réseau de neurones ait performé presque aussi bien que cette limite théorique suggère que la difficulté d'identifier la bonne famille ne provient pas d'un défaut de conception ou d'entraînement de l'ordinateur. Au contraire, la limitation réside dans la nature même des signaux.

Le problème central est que les différentes familles de déviations sont géométriquement très similaires. Lorsque le modèle d'onde gravitationnelle standard est ajusté aux données, le signal résiduel — la partie qui ne correspond pas — ressemble presque de manière identique pour les familles voisines. C'est comme si les différentes théories laissaient derrière elles des empreintes si similaires en forme qu'un observateur parfait aurait du mal à les distinguer sans plus d'informations. Les chercheurs ont constaté que le réseau commettait les mêmes erreurs que la limite théorique, confondant souvent une famille avec sa voisine la plus proche. Cette confusion était plus prononcée pour les trous noirs plus lourds, qui passent moins de temps dans la zone sensible du détecteur, offrant ainsi aux ondes moins de « notes » à jouer et rendant les différences entre les théories encore plus difficiles à distinguer.

Malgré la difficulté à identifier la famille précise, le système s'est avéré très efficace à un niveau plus grossier. Le réseau pouvait presque toujours détecter qu'une déviation était présente, la signalant correctement dans presque tous les cas marqués, tout en ne déclenchant presque jamais de fausse alerte pour les signaux standards. De plus, il pouvait déterminer de manière fiable si la déviation faisait accélérer ou ralentir l'onde, regroupant les familles en catégories positives et négatives avec une précision d'environ 80 %. Cela suggère que, bien que l'identification de la forme mathématique précise d'une nouvelle théorie puisse rester insaisissable avec les données actuelles, la capacité de détecter que quelque chose ne va pas avec notre compréhension actuelle est robuste. L'étude a également confirmé que le réseau pouvait gérer le bruit réel des détecteurs aussi bien que le bruit simulé, une étape cruciale pour l'application de ces outils aux observations réelles.

En fin de compte, ce travail démontre que le goulot d'étranglement pour tester la gravité avec les ondes gravitationnelles n'est pas la sophistication de nos algorithmes, mais la similitude intrinsèque des signaux que nous essayons de distinguer. Le réseau de neurones a atteint le plafond de ce qui est possible avec les données actuelles ; il ne peut pas faire mieux car l'information nécessaire pour séparer les familles n'est tout simplement pas là. La voie à suivre, suggèrent les chercheurs, consiste à construire des détecteurs plus sensibles capables d'écouter les ondes pendant des périodes plus longues, capturant ainsi une plus grande partie de la « chanson » des trous noirs. Avec la prochaine génération d'instruments, qui pourront écouter des fréquences plus basses et pendant des durées plus longues, les différences entre ces théories devraient devenir beaucoup plus claires, permettant potentiellement d'identifier enfin la nature spécifique de toute déviation par rapport à la gravité d'Einstein.