🔬 physique

Search for Cosmic Rays in GRANDProto300

Cet article présente le pipeline de recherche de rayons cosmiques et un algorithme d'identification basé sur les CNN en cours de développement pour le réseau prototype GRANDProto300, détaillant leurs étapes de filtrage, l'évaluation de leur efficacité sur les données de juillet à octobre 2025, ainsi que la précision du modèle pour distinguer les signaux de rayons cosmiques du bruit.

Auteurs originaux : Jolan Lavoisier, Aurélien Benoit-Lévy, Kumiko Kotera, Mauricio Bustamante, Marion Guelfand, Nathan Lebas, Takashi Sako, Xishui Tian, for the GRAND Collaboration

Publié 2026-10-30

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Jolan Lavoisier, Aurélien Benoit-Lévy, Kumiko Kotera, Mauricio Bustamante, Marion Guelfand, Nathan Lebas, Takashi Sako, Xishui Tian, for the GRAND Collaboration

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Haut au-dessus de la Terre, l'atmosphère est constamment bombardée par des particules invisibles voyageant à une vitesse proche de celle de la lumière. Ce sont les rayons cosmiques, des messagers énergétiques venus du fin fond de l'espace qui frappent l'air de notre planète, créant des cascades de particules secondaires qui se propagent jusqu'au sol. Bien que les scientifiques étudient ces particules depuis longtemps, il existe une gamme d'énergie spécifique où leurs origines demeurent un mystère. C'est la frontière où les particules nées au sein de notre propre galaxie, la Voie lactée, pourraient laisser place à celles arrivant de sources lointaines et puissantes à travers l'univers. Identifier précisément cette transition est crucial pour comprendre comment le cosmos accélère la matière à des énergies aussi extrêmes, mais la détection de ces particules spécifiques est difficile car elles arrivent rarement et ne laissent que des traces fugaces et ténues.

Pour résoudre cette énigme, une équipe de chercheurs construit un poste d'écoute massif dans le désert de Gobi, en Chine. Ce projet, connu sous le nom de GRAND, utilise un vaste réseau d'antennes radio pour capter les faibles signaux radio produits lorsque les rayons cosmiques frappent l'atmosphère. L'article décrit les progrès de GRANDProto300, une version prototype de cette expérience conçue pour prouver que cette méthode de détection radio fonctionne. Entre fin 2024 et mi-2025, l'équipe a exploité une version plus petite du réseau, déployant finalement 65 antennes à travers le désert, dont 63 étaient opérationnelles et collectaient des données de manière stable. Leur objectif n'était pas seulement d'écouter, mais d'apprendre à leurs ordinateurs à distinguer le signal authentique d'un rayon cosmique du bruit environnemental écrasant, tel que les ondes radio provenant d'avions ou d'équipements électriques.

Les chercheurs ont été confrontés à un défi de taille : les données brutes collectées par les antennes étaient inondées de fausses alertes. Pour trouver les vrais rayons cosmiques, ils ont développé un processus de filtrage par étapes, semblable au tamisage d'un grand tas de sable pour y trouver quelques grains spécifiques. D'abord, ils ont éliminé les salves de bruit qui apparaissaient en grappes, lesquelles provenaient souvent d'avions commerciaux ou d'un transformateur électrique à proximité. Ensuite, ils ont examiné la direction des ondes radio. Parce que les rayons cosmiques interagissent avec le champ magnétique de la Terre, ils produisent des signaux ayant une orientation spécifique qui diffère du bruit de fond aléatoire. Ils ont également filtré les signaux provenant directement du zénith ou presque parallèlement à l'horizon, car la géométrie de leur réseau d'antennes rendait difficile la reconstruction précise de ces angles spécifiques. Enfin, ils ont vérifié le timing des signaux à travers les différentes antennes pour s'assurer qu'ils correspondaient au temps de trajet attendu d'une onde provenant d'un point unique dans le ciel.

Après avoir appliqué ces filtres stricts à des millions d'événements enregistrés, l'équipe a réduit la liste à seulement 51 candidats solides qui ressemblaient à de véritables rayons cosmiques. Ces candidats présentaient les schémas d'arrivée et d'intensité de signal attendus, suggérant que la méthode de filtrage fonctionnait. Cependant, l'équipe savait que des règles manuelles pourraient ne pas tout capturer, elle a donc commencé à entraîner un programme informatique utilisant un type d'intelligence artificielle appelé réseau de neurones. Ce programme a appris à reconnaître la forme unique d'un signal de rayon cosmique en étudiant des milliers d'exemples provenant à la fois de simulations informatiques et de données réelles. Lors des tests, ce nouvel outil s'est avéré très efficace pour identifier les signaux simulés, signalant correctement la quasi-totalité d'entre eux. Sa performance sur les signaux de rayons cosmiques réellement enregistrés était bonne mais légèrement inférieure, indiquant que bien que la méthode soit puissante, il reste encore de la marge pour affiner la gestion des complexités des données du monde réel.

Le travail présenté ici représente une étape cruciale dans la recherche des origines des rayons cosmiques de haute énergie. En exploitant avec succès le réseau prototype et en développant un pipeline capable de séparer les véritables événements cosmiques du bruit, les chercheurs ont validé la technique de base pour la plus grande expérience GRAND. L'identification de 51 candidats et le développement d'un outil d'apprentissage automatique pour améliorer la détection future montrent que la voie est libre. L'équipe se dirige désormais vers un réseau plus vaste et plus sensible qui sera capable de cartographier la transition entre les rayons cosmiques galactiques et extragalactiques, révélant potentiellement les moteurs cachés de l'univers qui accélèrent ces particules à des vitesses aussi incroyables.

Résumé Technique : Recherche de Rayons Cosmiques dans GRANDProto300

Énoncé du Problème
L'expérience GRANDProto300 (GP300), un prototype de réseau pour le projet Giant Radio Array for Neutrino Detection (GRAND), vise à valider la technique de détection radio autonome pour les astroparticules. Plus précisément, elle cible les rayons cosmiques dont l'énergie se situe entre $10^{17}$ et $10^{18,5}$ eV afin d'étudier la région de transition entre les sources galactiques et extragalactiques. Le principal défi abordé dans ce travail est l'identification de signaux de rayons cosmiques authentiques au sein d'un ensemble de données massif, dominé par le bruit. Les données sont soumises à deux types d'interférences : les « parasites » (bruit transitoire provoquant de fausses déclenches, tels que ceux provenant d'aéronefs ou de transformateurs électriques) et le bruit de fond stationnaire. L'objectif est de développer un pipeline robuste pour filtrer ces événements et distinguer les véritables gerbes de rayons cosmiques du bruit avec une grande pureté.

Méthodologie
Les auteurs présentent une approche à deux volets : un pipeline de filtrage déterministe et une couche d'identification basée sur l'apprentissage automatique (machine learning).

Pipeline de Recherche Déterministe :
Le pipeline applique une série de coupes conservatrices à un ensemble de 5 477 117 événements de Données de Coïncidence (CD) enregistrés entre juillet et octobre 2025. Le processus privilégie la pureté sur l'efficacité :

Coupe de Cluster (Regroupement) : Élimine les événements regroupés dans le temps et l'espace (distance angulaire $\Delta\vartheta < 5^\circ$ , distance temporelle $\Delta t < 5$ s) pour éliminer les rafales d'interférences. Cette étape élimine 88 % des données.
Coupe de Polarisation : Utilise le vecteur du champ géomagnétique ( $B$ ) et le vecteur du champ électrique ( $e_V$ ). Étant donné que les signaux de rayons cosmiques sont censés être orthogonaux à $B$ ( $e_V \cdot e_B \approx 0$ ), les événements ne respectant pas ce critère sont rejetés, éliminant 35 % des événements.
Coupe de Zénith : Élimine les événements avec des angles zénithaux reconstruits $\theta \leq 60^\circ$ (faible efficacité pour la configuration) et $\theta \geq 88^\circ$ (difficultés de reconstruction), éliminant 61 % du lot.
Coupe de Délai : Utilise la reconstruction par Ajustement d'Onde Sphérique (SWF) pour comparer les temps d'arrivée mesurés aux attentes théoriques. Les événements présentant un écart de $\chi^2$ élevé (seuil de $10^3$ ) sont filtrés, éliminant 44 % des données.
Coupes de Qualité : Une dernière coupe par Ajustement de Distribution Angulaire (ADF) avec un seuil de $\chi^2_{ADF} < 20$ est appliquée.
Résultat : Ces coupes filtrent collectivement 99,63 % des parasites, laissant environ 20 000 candidats pour analyse ultérieure, parmi lesquels 51 candidats de rayons cosmiques ont été sélectionnés.

Couche d'Identification par Apprentissage Automatique :
Pour traiter la forme des traces enregistrées (que les coupes déterministes n'exploitent pas pleinement), les auteurs ont développé un Réseau de Neurones Convolutifs (CNN) pour la classification binaire (bruit vs rayon cosmique).

Construction du Jeu de Données : Les traces ont été extraites des données de juillet 2025. Le jeu de données comprend des traces de 384 points provenant de parasites réels, de rayons cosmiques simulés (insérés dans un bruit de fond) et de 567 traces de rayons cosmiques réels identifiées via le pipeline.
Architecture : Le modèle utilise 13 couches de convolution avec normalisation par lots (batch normalization) et activation ReLU, suivies d'un pooling moyen global et d'une couche dense. Deux variantes ont été testées : des convolutions 1D et 2D, traitant les canaux X (Nord-Sud) et Y (Est-Ouest).
Entraînement : Les modèles ont été entraînés pendant 4000 époques avec une taille de lot de 128 et un taux d'apprentissage de 0,01, en optimisant le rappel (Vrais Positifs / (Vrais Positifs + Faux Négatifs)).

Contributions Clés

Validation Opérationnelle : L'article rend compte du fonctionnement stable de GP300, avec 63 antennes collectant des données au mois de juillet 2025, et présente le premier pipeline systématique de recherche de rayons cosmiques pour ce prototype.
Efficacité du Filtrage : Les auteurs démontrent un pipeline capable de réduire un ensemble de plus de 5 millions d'événements à un ensemble gérable de candidats en éliminant 99,63 % des événements de bruit grâce à des coupes physiques et géométriques systématiques.
Intégration du ML : L'article introduit un algorithme basé sur un CNN spécifiquement conçu pour discriminer les signaux de rayons cosmiques du bruit en utilisant les traces du signal, marquant une étape vers une analyse hors ligne plus sophistiquée.
Identification de Candidats : Le pipeline a identifié avec succès 51 candidats de rayons cosmiques, dont les directions d'arrivée et la dominance du signal sont conformes aux attentes théoriques concernant le champ géomagnétique.

Résultats

Performance du Pipeline : Les coupes déterministes ont réduit les 5,47 millions d'événements initiaux à 51 candidats. Les directions d'arrivée de ces candidats (visualisées dans la Figure 1) montrent la dominance attendue du signal Est-Ouest.
Performance de l'Apprentissage Automatique :
- Traces Simulées : Les modèles ont atteint des taux de rappel élevés de 95,71 % (modèle 1D) et 97,85 % (modèle 2D).
- Traces de Rayons Cosmiques Réels : Le rappel était plus faible mais significatif, à 62,08 % (1D) et 71,15 % (2D).
- Rejet des Parasites : Les modèles ont distingué efficacement les parasites, le modèle 2D affichant un rappel de 71,15 % pour les rayons cosmiques réels tout en maintenant un faible taux de faux positifs sur l'ensemble de test des parasites.

Signification et Revendications
L'article affirme que le pipeline développé valide avec succès la technique de détection radio autonome des rayons cosmiques dans la plage de $10^{17} - 10^{18,5}$ eV. En combinant des coupes physiques systématiques avec une couche d'apprentissage automatique en développement, les auteurs démontrent la faisabilité de l'isolement des signaux de rayons cosmiques dans un environnement à haut niveau de bruit. L'identification de 51 candidats sert de preuve de concept pour les futures opérations à grande échelle de l'expérience GRAND. Les auteurs notent avec modestie que, bien que des critères de sélection visuelle aient été temporairement appliqués, le développement systématique de coupes basées sur la forme des traces (via le CNN) est un effort continu pour améliorer l'identification sans dépendre de l'inspection manuelle. Ce travail établit les fondations pour l'étude de la région de transition Galactique-Extragalactique à l'aide du réseau GRAND.

Articles similaires