Les trous noirs sont absents du premier univers et les ordinateurs les recherchent

À perte de vue, les galaxies remplissent les images de l’univers profond. Quels processus ont déterminé leurs formes, leurs couleurs et leurs populations d'étoiles ? Les astronomes pensent que les trous noirs primordiaux ont été les moteurs de la croissance et de la transformation des galaxies et peuvent expliquer le paysage cosmique que nous voyons aujourd'hui.

Les prochains relevés du ciel avec des radiotélescopes permettront de capturer des millions de galaxies dans l'univers primitif, mais seuls des outils automatiques, comme l'algorithme créé par une équipe dirigée par l'Institut d'astrophysique et des sciences spatiales (IA), pourront lire ce déluge de données et trouver les galaxies. avec d’énormes trous noirs en leur cœur.

Dans un article publié aujourd'hui (6 décembre) dans la revue Astronomie et astrophysiqueune équipe internationale dirigée par Rodrigo Carvajal, de l'Institut d'astrophysique et des sciences spatiales (IA) et de la Faculté des sciences de l'Université de Lisbonne (Ciências ULisboa), présente une technique d'apprentissage automatique qui reconnaît les galaxies superlumineuses du premier univers.

Ce sont des galaxies que l’on pense dominées par l’activité d’un trou noir vorace en leur cœur. Selon les auteurs, cela devrait être le premier algorithme qui prédit quand cette activité émet également un signal intense dans les fréquences radio. Les émissions radio sont souvent distinctes des autres lumières de la galaxie, et il est parfois difficile de les relier. Cette technique d'intelligence artificielle permettra aux astronomes d'être plus efficaces dans la recherche de ce qu'on appelle les radiogalaxies.

L'algorithme, développé avec la collaboration de la société Closer, agissant dans le secteur des solutions technologiques pour la science des données, a été entraîné avec des images de galaxies obtenues dans plusieurs longueurs d'onde du spectre électromagnétique. Lorsqu’elle a été testée avec d’autres images, elle a pu prédire quatre fois plus de radiogalaxies que les méthodes conventionnelles utilisant des instructions explicites.

Alors que l’apprentissage automatique développe ses propres algorithmes, tenter de comprendre son succès pourrait aider à clarifier les phénomènes physiques qui se produisaient dans ces galaxies, 1,5 milliard d’années après le Big Bang, c’est-à-dire lorsque l’univers avait un dixième de son âge actuel.

“Nous devons trouver davantage de galaxies actives dans le ciel, car certains prédisent qu'il devrait en exister beaucoup plus au début de l'histoire de l'univers. Avec les observations actuelles, nous n'avons pas ce nombre”, explique Carvajal. Selon ce chercheur, davantage d’observations sont nécessaires pour vérifier si la compréhension actuelle de l’évolution des galaxies actives est correcte ou doit être modifiée.

“Il est également important d'analyser les modèles d'apprentissage automatique eux-mêmes et de comprendre ce qui se passe à l'intérieur”, ajoute Carvajal. “Quelles caractéristiques sont les plus pertinentes pour la décision ? Par exemple, nous voulons savoir si la caractéristique la plus importante pour laquelle le module a déclaré qu'il s'agit d'une galaxie active est la lumière que la galaxie émet dans l'infrarouge, peut-être une indication d'un mouvement rapide.” formation de nouvelles étoiles. Grâce à cela, nous sommes en mesure de produire une nouvelle loi pour séparer ce qui est une galaxie normale et une galaxie active.

Le poids relatif des caractéristiques galactiques sur la décision prise par l'ordinateur peut indiquer ce qui est à l'origine de son intense activité, notamment dans la bande radio. Dans une étude en préparation, Carvajal explore les implications de cette apparente dépendance entre l'émission radio et la formation des étoiles.

Israel Matute, de IA et Ciências ULisboa, le deuxième auteur de l'article, précise : « Ces modèles sont des outils mathématiques qui nous aident à regarder dans la bonne direction lorsque la complexité des données augmente. Ce travail pourrait fournir un aperçu des processus qui freiné la formation de nouvelles étoiles dans la seconde moitié de l’histoire de l’univers. »

Les galaxies qui semblent manquer dans l’univers primordial pourraient figurer dans la grande masse de données que les radiotélescopes modernes produiront dans les années à venir. De futures études sur de vastes régions du ciel révéleront des milliards de galaxies. Un exemple est la Carte Évolutionnaire de l'Univers (EMU), qui cartographiera l'ensemble de l'hémisphère céleste sud avec le radiotélescope ASKAP, en Australie.

L'équipe dirigée par IA travaille déjà avec les données d'un projet pilote de cette enquête. Une fois perfectionnés, ces outils seront cruciaux pour le traitement de la quantité astronomique de données que produira le futur Square Kilometer Array Observatory (SKAO). Le Portugal est membre du consortium de cet observatoire, déjà en construction.

“Dans une nouvelle ère où l'astronomie aura accès à de grandes quantités de données, il est de plus en plus important de développer des techniques avancées pour leur traitement et leur analyse”, déclare José Afonso, de l'IA et Ciências ULisboa et co-auteur de cet article. “Chez IA, nous développons et mettons en œuvre ces techniques, pour pouvoir déchiffrer l'origine des galaxies et des trous noirs supermassifs qu'hébergent la plupart d'entre elles.”

L'idée de la collaboration entre la société Closer et IA a été avancée par l'une des co-auteurs, Helena Cruz, titulaire d'un doctorat. en physique et est data scientist chez Closer. Son implication a été essentielle pour analyser et traiter l'impact des incertitudes et des incohérences entre différentes sources de données, provenant de plusieurs télescopes et programmes d'observation, utilisées pour entraîner l'algorithme d'apprentissage automatique.

“J'ai pris conscience que l'astronomie est un domaine offrant de grandes opportunités pour l'exploration et le développement de modèles d'apprentissage automatique, et il m'a semblé logique d'appliquer mes compétences professionnelles à ce domaine”, explique Cruz. “J'ai partagé mon intérêt avec Closer et les deux parties ont immédiatement montré leur volonté de collaborer, ce que je considère comme une extension de mon travail au sein de l'entreprise.”

“Closer prospère grâce aux connaissances de ses collaborateurs, c'est son capital”, ajoute João Pires da Cruz, co-fondateur, professeur et chercheur de Closer. “Plus les projets dans lesquels les membres de notre équipe s'impliquent seront ambitieux et sophistiqués du point de vue scientifique, plus le capital de l'entreprise sera important. Nous aurons des collaborateurs capables de résoudre les problèmes de nos clients qui sont similaires au problème de les signaux des galaxies lointaines.