Les trous noirs font partie des objets les plus fascinants de notre univers, et sont suspectés d’être la clé de certains mystères parmi les plus importants de l’astronomie moderne. Malheureusement, nous avons encore énormément de mal à les étudier de manière satisfaisante ; puisqu’on ne peut, par définition, les observer directement, les spécialistes doivent se contenter d’informations indirectes souvent difficiles à interpréter.
Récemment, une équipe internationale d’astronomes a donc opté pour une autre approche : entraîner un réseau de neurones artificiels avec des millions de simulations de trous noirs pour mieux comprendre leur comportement.
Ces travaux sont en grande partie basés sur les données collectées par l’Event Horizon Telescope (EHT). Il s’agit d’un immense réseau de radiotélescopes hautement spécialisés, conçu pour obtenir des images de la silhouette des trous noirs supermassifs qui résident au centre des galaxies. Il a déjà contribué à de nombreux travaux révolutionnaires ; on lui doit par exemple les toutes premières images directes des trous noirs supermassifs de la galaxie M87 et de la Voie lactée (ou plus précisément, des disques de matériel surchauffé qui entourent l’horizon des événements).
Ces clichés ont fait énormément de bruit dans la communauté scientifique. Ils contiennent en effet une grande quantité d’informations inédites et extrêmement précieuses qui aident les astronomes à comprendre le comportement de ces mastodontes cosmiques.
Mais aussi marquantes soient-elles, ces images ne représentent que la partie émergée d’un immense iceberg de données dense, riche, et très difficile à interpréter.
Le machine learning à la rescousse
C’est pour en extraire autant d’informations que possible que les chercheurs ont choisi de se tourner vers le machine learning, une technologie particulièrement efficace lorsqu’il s’agit de traiter d’énormes ensembles de données complexes.
Le souci, c’est que ces applications de l’IA nécessitent énormément de données pour produire des résultats exploitables. Même la montagne d’informations récoltée par l’EHT est largement insuffisante dans ce contexte. Pour entraîner leur modèle, les auteurs de l’étude ont choisi de lui fournir des données synthétiques — des modèles simulés montrant à quoi pourraient ressembler les trous noirs vus par l’EHT en faisant varier différents paramètres tels que la rotation, l’orientation ou les propriétés du champ magnétique.
Cette approche permet de résoudre le problème de la quantité de données — mais elle en fait émerger un autre, et pas des moindres. Puisqu’il s’agit de données synthétiques, comment peut-on s’assurer qu’elles reflètent correctement la réalité ? Peut-on réellement faire confiance aux résultats, même si ces simulations sont basées sur des principes physiques qui sont sans cesse testés rigoureusement depuis des décennies ?
Pour réduire la part d’incertitude inhérente à cette approche, les auteurs ont choisi d’utiliser un type de modèle spécifique, dit bayésien. Ce terme désigne un réseau de neurones qui, au lieu de produire une seule prédiction fixe, donne toute une gamme de résultats possibles, chacun assorti d’une probabilité. Ils ont ainsi pu faire le tri entre les simulations les plus cohérentes et celles qui étaient trop tirées par les cheveux pour être exploitables. Cette approche a permis au réseau de neurones de faire émerger les liens qui existent entre les données observées et le comportement des trous noirs, reliant ainsi la théorie aux observations.
Des résultats fascinants et parfois perturbants
Au bout du processus, les chercheurs ont pu alimenter ce modèle désormais entraîné avec des données d’observation réelles capturées par l’EHT. Et en retour, il leur a permis de réaliser un certain nombre de prédictions très intéressantes sur la dynamique de Sagittarius A*, le trou noir au centre de la Voie lactée.
Les résultats contiennent plusieurs informations très intéressantes. Par exemple, le modèle semble confirmer que Sagittarius A* tourne à une vitesse très importante, proche de la limite théorique pour ce type de corps céleste. Cette hypothèse avait déjà été émise par différentes équipes de physiciens. Mais ces travaux montrent désormais que, parmi les nombreuses possibilités simulées, cette rotation très rapide est celle qui correspond statistiquement le mieux aux données réelles.
Mais surtout, le modèle a aussi accouché de quelques prédictions qui, contrairement à celle citée plus haut, vont totalement à l’encontre des théories les plus populaires en ce moment.
Par exemple, il indique que les rayonnements à proximité du trou noir seraient causés non pas par le jet de matière qui en émane, mais plutôt par les mouvements d’électrons extrêmement chauds qui gravitent autour. En outre, il semble que le champ magnétique qui englobe le disque d’accrétion — le disque de matière surchauffée qui entoure l’horizon des événements — se comporte différemment des théories habituelles.
« Le fait de défier ainsi la théorie dominante est passionnant », se félicite Michael Janssen, auteur principal de l’étude.
Les simulations ne remplaçeront jamais l’observation
Il insiste toutefois sur le fait qu’il ne s’agit que d’une première étape. Comme toujours avec les travaux basés sur des simulations, il reste une part significative d’incertitude qu’il faudra réduire en améliorant les modèles et en collectant davantage de données réelles.
Pour y parvenir, Janssen et son équipe comptent notamment sur l’Africa Millimeter Telescope, un nouveau radiotélescope en cours de construction en Namibie, qui viendra bientôt renforcer les capacités d’observation de l’EHT. « Nous obtiendrons des informations encore meilleures pour valider la théorie générale de la relativité pour les objets compacts supermassifs avec une grande précision », se réjouit l’astrophysicien.
Il conviendra donc de continuer à suivre attentivement les travaux de l’EHT; ils vont sans doute continuer de nous abreuver d’informations passionnantes sur ces objets qui jouent un rôle déterminant dans la dynamique globale du cosmos.
🟣 Pour ne manquer aucune news sur le Journal du Geek, suivez-nous sur Google et sur notre canal WhatsApp. Et si vous nous adorez, on a une newsletter tous les matins.
