Les trous noirs sont absents du premier univers – mais les scientifiques sont à la recherche

Les futures études du ciel avec des radiotélescopes devraient permettre d’observer des millions de galaxies du premier univers. Cependant, pour gérer cet afflux massif de données, les outils automatisés sont indispensables. Un algorithme développé par une équipe de l’Institut d’astrophysique et des sciences spatiales (IA) de la Faculté des sciences de l’Université de Lisbonne au Portugal est conçu pour traiter ces données et identifier les galaxies qui hébergent des trous noirs massifs en leur centre.

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 forces motrices de la croissance et de la transformation des galaxies et pourraient expliquer le paysage cosmique que nous voyons aujourd’hui.

Une percée dans l’identification des galaxies superlumineuses

Dans un article récemment publié dans le magazine Astronomie et astrophysique, une 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 apprentissage automatique technique qui reconnaît les galaxies ultra-légères du début de l’univers.

Ce sont des galaxies que nous pensons dominées par une activité vorace trou noir à leur base. Selon les auteurs, cela devrait être le premier algorithme à prédire quand cette activité émet également un signal intense en radiofréquences. Les transmissions radio se démarquent souvent des autres lumières de la Voie Lactée et il est parfois difficile de les connecter. Cette technique d’intelligence artificielle permettra aux astronomes d’être plus efficaces dans la recherche de ce qu’on appelle les radiogalaxies.

Une série de radiogalaxies – galaxies à émission radiofréquence importante – observées avec le radiotélescope LOFAR, superposées sur la même partie du ciel en lumière visible. L’ampleur de l’émission radio est claire, différente de la partie visible de la galaxie. Ce sont quelques-unes des galaxies utilisées pour entraîner l’algorithme d’apprentissage automatique développé par cette équipe de recherche. Crédit : Judith Croston et l’équipe de recherche du LOFAR

L’algorithme, développé en collaboration avec la société Closer, active dans le secteur des solutions technologiques de science des données, a été entraîné avec des images de galaxies obtenues dans différentes longueurs d’onde du spectre électromagnétique. Testé avec d’autres images, il 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 élucider les phénomènes physiques qui se sont produits dans ces galaxies 1,5 milliard d’années après leur apparition. Big Bangc’est-à-dire lorsque l’univers avait un dixième de son âge actuel.

L’importance de recherches et d’analyses plus approfondies

« Nous devons trouver davantage de galaxies actives dans le ciel, car certains prédisent qu’il devrait y en avoir beaucoup plus au début de l’histoire de l’univers. Avec les observations actuelles, nous ne disposons pas de ce chiffre », explique Rodrigo 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 ajustée.

“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 principale caractéristique pour laquelle le module l’a déclarée galaxie active est la lumière que la galaxie émet dans l’infrarouge, ce qui pourrait être une indication de la formation rapide de nouvelles étoiles. Grâce à cela, nous sommes en mesure de développer une nouvelle loi qui fait la distinction entre une galaxie normale et une galaxie active.

Recherche sur le rôle des émissions radio et de la formation des étoiles

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 étudie les implications de cette apparente dépendance entre l’émission radio et la formation d’étoiles. Israel Matute, d’IA et Ciências ULisboa, le deuxième auteur de l’article, explique : « Ces modèles sont des outils mathématiques qui nous aident à regarder dans la bonne direction lorsque la complexité des données augmente. Ces travaux pourraient donner un aperçu des processus qui ont ralenti la formation de nouvelles étoiles au cours de la seconde moitié de l’histoire de l’univers.

Exemple d’une partie du ciel incluse dans le massif Sloan Digital Sky Survey (SDSS), une carte du ciel réalisée avec différents télescopes en lumière visible et infrarouge. Les images de cette étude, de parties du ciel également observées aux fréquences radio, ont été utilisées par les auteurs de cette étude pour tester l’algorithme d’apprentissage automatique. Ils ont démontré leur efficacité dans la détection des galaxies actives et la prévision de leurs émissions radio. Crédit : Enquête sur le ciel numérique de Sloan

Les galaxies qui semblent absentes du premier univers pourraient jouer un rôle dans la grande quantité de données que les radiotélescopes modernes produiront dans les années à venir. Les futures études sur de grandes parties 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 l’IA travaille déjà avec les données d’un projet pilote de cette étude. Une fois perfectionnés, ces instruments seront cruciaux pour traiter 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 devient 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 déchiffrer les origines des galaxies et des trous noirs supermassifs qui en abritent la plupart. »

L’idée de la collaboration entre Closer et AI a été avancée par l’une des co-auteurs, Helena Cruz, doctorante en physique et 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 réalisé 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 Helena Cruz. « J’ai partagé mon intérêt avec Closer et les deux parties ont immédiatement montré une volonté de collaborer, que je considère comme une extension de mon travail au sein de l’entreprise. »

« Closer se nourrit des connaissances de ses salariés, c’est son capital », explique João Pires da Cruz, co-fondateur, professeur et chercheur de Closer. « Plus les projets dans lesquels les membres de notre équipe s’impliquent sont ambitieux et scientifiquement avancés, plus l’entreprise disposera de capitaux. Nous aurons des employés capables de résoudre des problèmes pour nos clients similaires au problème des signaux provenant de galaxies lointaines.