Une étude publiée dans Lettres d'examen physique Décrit une nouvelle approche pour extraire les informations des systèmes binaires en examinant toute la distribution postérieure au lieu de prendre des décisions basées sur des paramètres individuels.
Depuis leur détection en 2015, les ondes gravitationnelles sont devenues un outil vital pour les astronomes étudiant l'univers précoce, les limites de la relativité générale et des événements cosmiques tels que les systèmes binaires compacts.
Les systèmes binaires se composent de deux objets massifs, comme des étoiles à neutrons ou des trous noirs, en spirale les uns vers les autres. À mesure qu'ils fusionnent ensemble, ils génèrent des ondulations dans l'espace-temps – des ondes gravitées – qui nous donnent des informations sur les deux objets.
Le problème abordé par les chercheurs de l'étude publiée concerne l'étiquetage des deux objets du système binaire. Selon la convention, l'objet plus lourd est étiqueté comme « 1 » et l'autre comme « 2. » Le problème ici est que ce système devient déroutant lorsqu'il s'agit de systèmes où les deux objets ont des masses similaires, dans la marge d'erreur.
Bien que les approches précédentes aient suggéré d'utiliser d'autres propriétés comme l'ampleur du spin, cela crée toujours un problème lorsque les objets ont des tours similaires.
Les chercheurs suggèrent d'utiliser une approche plus holistique en éliminant la dépendance à un seul paramètre différent. Issues.fr s'est entretenu avec le premier auteur, le Dr Davide Gerosa, de l'Université de Milano-Bicocca en Italie, qui a mentionné que la compréhension des trous noirs était depuis longtemps sa motivation.
« Cette recherche remet en question une hypothèse de longue date qui sous-tend toutes les analyses à ondes gravitationnelles à ce jour – une qui est devenue incontestée pendant des décennies. L'approche standard est-elle vraiment le meilleur choix? Plus fondamentalement, que signifie même pour définir les meilleures étiquettes? L'apprentissage automatique fournit une solution puissante et axée sur les données. »
L'équipe de recherche a également inclus deux de ses étudiants, Viola de Renzis et Federica Tettoni, un post-doctorant de son groupe Costantino Pacilio, un ancien étudiant Matthew Mold maintenant au MIT, et un collaborateur de longue date Alberto Vecchio de l'Université de Birmingham.
L'image complète
Les chercheurs ont abordé ce problème différemment en le cadrant comme un problème de clustering contraint dans l'apprentissage automatique. Il s'agit d'une forme d'algorithme d'apprentissage semi-supervisé qui identifie les modèles dans les données, tout en étant limité à certaines conditions.
Dans ce cas, la contrainte que les chercheurs a imposée est que les deux objets du même événement d'onde gravitationnelle doivent être attribués à différentes catégories.
La clé de cette méthode n'est pas de compter ou de prédéterminer un paramètre spécifique, comme la masse, comme différenciateur. Au lieu de cela, ils ont permis aux données elle-même de révéler le moyen le plus approprié de différencier les objets.
« La clé est la prise de conscience que la stratégie d'étiquetage est un choix délibéré que nous devons faire lorsque vous envisagez des données d'ondes gravitationnelles. Il s'agit d'un problème conceptuel qui devrait être exploré de manière plus approfondie, car toutes les applications en aval sont potentiellement affectées », a expliqué le Dr Gerosa.
Plus grande précision, plus de confiance
Les chercheurs ont appliqué leur modèle d'apprentissage automatique à des données d'ondes synthétiques et réelles à partir de détecteurs LIGO, Virgo et Kagra.
Ils ont constaté que la précision des mesures de spin des trous noirs s'améliorait considérablement, jusqu'à 50%, et les distributions bimodales dans les données ont tendance à disparaître. Maintenant, les scientifiques pourraient distinguer plus en toute confiance si l'objet dans le système était un trou noir ou une étoile à neutrons.
« Le document montre que les mesures sur les tours individuelles peuvent s'améliorer jusqu'à 50%. Ceci est très important. Une telle précision supplémentaire nécessiterait de nouveaux instruments, alors que nous montrons que cela est réalisable avec l'analyse des données », a déclaré le Dr Gerosa.
Avoir des mesures plus précises de paramètres comme les tours de trou noir est crucial pour comprendre leur formation. Cette méthodologie pourrait avoir des implications importantes pour les mesures de rotation des trous noirs, qui ont été historiquement difficiles.
Les chercheurs ont constaté qu'environ 10% des échantillons postérieurs dans les données d'ondes gravitationnelles de LIGO et Vierge pourraient être mieux représentés avec différentes étiquettes. Bien que ce nombre puisse sembler faible, la différence d'interprétation des événements est importante.
Par exemple, les chercheurs ont constaté que pour un événement à onde gravitationnelle (GW191103_012549), l'approche conventionnelle a montré 13% de chances qu'un trou noir dans le système tournait en face de la direction du mouvement orbital.
Cependant, leur nouvelle méthode a baissé que la probabilité à 0,1%, ce qui implique qu'il est presque certain que le trou noir tournait dans le même sens que l'orbite.
« Notre analyse affecte toutes les mesures d'ondes de gravitation à partir de détecteurs actuels et futurs », a souligné le Dr Gerosa lors de la discussion des observatoires à venir comme Lisa (l'antenne d'espace interféromé laser) et le télescope Einstein.
Cette étude est une démonstration classique de la façon dont la réavisage des hypothèses fondamentales dans l'analyse des données peut donner des résultats significatifs sans nécessiter de nouvelles informations.
