MADGRAV: a multilevel anomaly-detection pipeline for gravitational-wave searches applied to LIGO data

Au plus profond du silence de l'espace, des objets massifs comme les trous noirs peuvent entrer en collision, envoyant des ondulations dans le tissu même de l'univers. Ces ondulations, connues sous le nom d'ondes gravitationnelles, étirent et compriment l'espace à mesure qu'elles voyagent, transportant des informations sur les événements violents qui les ont créées. Pour entendre ces murmures, les scientifiques utilisent de gigantesques instruments laser appelés interféromètres, qui sont si sensibles qu'ils peuvent détecter des changements de distance plus petits qu'un seul atome. Cependant, ces instruments sont également incroyablement sensibles au monde bruyant qui les entoure. Les tremblements de terre, les camions qui passent et même le tressautement thermique de l'équipement lui-même créent de faux signaux qui ressemblent beaucoup aux ondulations cosmiques que les scientifiques tentent de trouver. Distinguer un véritable signal de cette montagne de bruit est l'un des défis les plus difficiles de la physique moderne.

Pendant des années, la méthode standard pour trouver ces signaux a consisté à rechercher des formes spécifiques. Les scientifiques ont construit une bibliothèque de formes d'ondes théoriques, appelées modèles (templates), basées sur la manière dont les trous noirs sont censés se comporter lors de leur fusion. Ils font ensuite glisser ces modèles sur les données, à la recherche d'une correspondance. Cette méthode fonctionne magnifiquement lorsque les signaux sont forts et que les trous noirs sont relativement légers. Mais lorsque les objets en collision sont extrêmement lourds, le signal devient très court et complexe, durant parfois seulement une fraction de seconde. Dans ces cas, les modèles standards pourraient manquer totalement le signal, ou le bruit pourrait le masquer. Cela a amené les chercheurs à se demander s'il existe une autre façon d'écouter, qui ne repose pas sur la connaissance exacte de ce à quoi le son devrait ressembler à l'avance.

Une équipe de chercheurs a développé une nouvelle approche appelée MADGRAV, qui traite la recherche d'ondes gravitationnelles comme un jeu consistant à repérer l'inhabituel. Au lieu d'apprendre à un ordinateur à reconnaître une forme spécifique, ils lui ont appris à reconnaître à quoi ressemble un bruit normal. Le système est construit sur un type d'intelligence artificielle connue sous le nom d'auto-encodeur convolutif. Imaginez une machine à laquelle on présenterait des millions d'images de neige statique sur un téléviseur. Elle apprend à compresser cette statique en un résumé simple, puis à reconstruire l'image à partir de ce résumé. Parce que la machine a appris les motifs de la statique, elle peut très bien reconstruire une image de statique. Mais si un signal réel, comme une onde distincte, apparaît dans les données, la machine peine à la reconstruire car elle ne correspond pas au motif de bruit qu'elle a appris. La différence entre l'image bruitée originale et la tentative de reconstruction médiocre de la machine devient un indicateur. Plus l'erreur est grande, plus il est probable qu'un événement réel et inhabituel soit en cours.

Les chercheurs ont appliqué cette idée à des données collectées par les deux détecteurs LIGO aux États-Unis, situés à Hanford, dans l'État de Washington, et à Livingston, en Louisiane. Ils ont analysé des données provenant de la troisième et de la quatrième campagnes d'observation, qui s'étendent sur plusieurs années. Le processus commence par découper les données en fenêtres d'une seconde et en les convertissant en cartes visuelles montrant comment le signal change au fil du temps et de la fréquence. Le système d'IA central examine individuellement la carte de chaque détecteur, en attribuant un score basé sur sa capacité à reconstruire l'image. Si la reconstruction est mauvaise, cela suggère une anomalie. Pour s'assurer que ces anomalies sont de réels événements cosmiques et non de simples problèmes locaux dans un seul détecteur, le système vérifie la cohérence. Il cherche à voir si la même anomalie apparaît dans les deux détecteurs au même moment, en tenant compte du minuscule délai nécessaire pour qu'une onde voyage entre les deux localisations.

Une fois qu'un signal potentiel passe ces contrôles initiaux, il passe par une série de filtres supplémentaires. Ces filtres sont conçus pour capturer des types spécifiques de bruit qui pourraient avoir trompé la première étape. Le système utilise des réseaux spécialisés pour examiner différentes plages de fréquences, aidant ainsi à distinguer les explosions larges et courtes des fusions de trous noirs massifs des pics brusques et erratiques du bruit instrumental. Enfin, toutes les informations sont combinées en un score de classement unique. Si ce score est suffisamment élevé, l'événement est signalé comme une détection. Les chercheurs ont testé ce pipeline sur des données réelles et ont constaté qu'il identifiait avec succès 47 événements d'ondes gravitationnelles. Tous ces événements présentaient une probabilité très faible d'être une fausse alerte, avec un taux de moins d'un par an.

Les résultats montrent que cette méthode basée sur l'anomalie est particulièrement efficace pour trouver les fusions de trous noirs les plus lourds. Les événements détectés présentaient des masses totales allant de 14 à 236 fois la masse de notre soleil, avec une masse médiane de 69 masses solaires. Le système a récupéré une partie significative des événements lourds connus, trouvant 53,3 % des détections confirmées dans la catégorie de masse la plus élevée. Cela suggère que la méthode n'est pas seulement un plan de secours, mais une façon puissante et indépendante d'écouter l'univers. Elle complète les recherches traditionnelles basées sur les modèles en capturant des signaux qui pourraient être trop courts ou complexes pour les méthodes standards. Les chercheurs ont noté que le système manquait certains événements plus légers, qui ont tendance à être plus difficiles à distinguer du bruit sans un modèle spécifique, mais qu'il excellait là où les autres méthodes éprouvent des difficultés.

L'une des découvertes les plus significatives est que le nouveau pipeline a trouvé 4 4 des mêmes événements qui avaient été identifiés par une autre méthode bien établie appelée coherent WaveBurst. Ce chevauchement confirme que le nouveau système fonctionne correctement et ne génère pas de faux positifs. Cependant, le pipeline a également trouvé trois événements que l'autre méthode avait manqués : GW240406 (qui n'a pas de masse publiée), GW190513 et GW200129. Notamment, le système n'a pas récupéré GW190521, la fusion de binaires de trous noirs la plus massive rapportée à ce jour, qui a déclenché la détection d'anomalie mais a finalement été classée en dessous du seuil de signification en raison de la suppression des glitches et des statistiques de classement du pipeline. Cela démontre que l'approche de détection d'anomalies peut révéler des signaux qui pourraient autrement rester cachés dans le bruit, tout en soulignant les limites actuelles de la récupération de certains événements extrêmes. L'étude conclut que ce type de pipeline d'apprentissage automatique n'est plus seulement un concept théorique, mais un outil pratique et calibré pour découvrir les collisions de trous noirs les plus massives de l'univers. En apprenant à quoi ressemble le bruit et en signalant tout le reste, le système offre une perspective nouvelle sur la symphonie cosmique, prouvant que parfois, la meilleure façon de trouver un signal est simplement d'écouter le silence qui brise le motif.