Dans une galaxie fort, fort lointaine, à trois milliards d'années lumières, un objet nommé FRB121102 émet des sursauts radio rapides (FRB ou Fast Radio Burst). Depuis lundi, on en sait un peu plus sur ceux-ci grâce aux techniques d'apprentissage machine développées par Gerry Zhang dans le cadre du projet Breakthrough Listen.
Les 21 spectres dynamiques des signaux repérés par les humains se trouvent dans la figure 2 de l'article de Vishal Gajjar [1].
Dans l'article de Gerry Zhang [3], on peut voir les spectrogrammes des 30 premières minutes. J'ai ajouté une étoile sur ceux qui avaient déjà été détectés. Ceux avec un carré bleu ont été découverts grâce à l'algorithme.
Sur le site de l'équipe SETI de l'université de Berkeley [5], on peut télécharger les données et voir une superbe animation des 93 signaux détectés. Les 72 nouveaux sont ceux avec les numéros en blanc. Ceux avec les numéros en rouges sont les 21 qui étaient déjà connus.
Dans cette interview, Vishal Gajjar raconte que dans le village indien où il a grandi, il n'y avait pas internet, mais une bibliothèque. L'abonnement était cher, donc il le partageait avec des amis, chacun empruntant des livres pendant un mois à tour de rôle. C'est grâce à cela qu'il a découvert "The Universe in a Nutshell" (L'univers dans une coquille de noix) de Stephen Hawking. Ce livre a été le début de sa quête d'une réponse à la question "sommes nous seuls dans l'univers ?" et de sa volonté de découvrir de nouvelles choses. Il ajoute "Si vous n'êtes pas curieux à propos de cette question, vous ne faites pas vraiment de la bonne science".
Grâce aux réseaux de neurones convolutifs, les astronomes vont voir de nouvelles choses, faire de nouvelles découvertes ou en savoir plus sur des objets comme FRB121102. L'article de Gerry Zhang [3] parle par exemple de la périodicité ou de la fréquence des pulses, ce que je n'ai pas mentionné dans ce billet.
L'équipement mis en place à Green Bank dans le cadre d'un projet SETI a des retombées sur nos connaissances en astronomies et permet le développement de techniques pour traiter les données de manière plus intensive, ce qui pourra être appliqué à tout un tas de domaines, à commencer par la recherche de signatures technologiques.
FRB121102
Depuis sa découverte en 2012, les sursauts radio rapides de FRB121102 sont particulièrement étudiés parce qu'ils se répètent et que l'on connait la position de la source avec une grande précision. Il n'y a pas d'autres FRB dans ce cas. En avril 18, les résultats de 6 heures d'observation au radiotélescope de Green Bank le 26 août 2017, ont été publiés par V. Gajjar [1]. Dans une bande de fréquences allant de 4 à 8 GHz, 21 signaux ont été repérés. |
| Credit: Breakthrough Listen / Danielle Futselaar |
Apprentissage machine
Lundi, un communiqué de presse de Breakthrough Listen [2], nous informait que 72 autres signaux avaient été détectés grâce à l'apprentissage machine développé par le doctorant Gerry Zhang et ses collaborateurs [3].Les 21 spectres dynamiques des signaux repérés par les humains se trouvent dans la figure 2 de l'article de Vishal Gajjar [1].
Réseau de neurones convolutif
L'apprentissage a été réalisé grâce à un réseau de neurones convolutif [4], qui permet d'extraire des caractéristiques complexes dans une importante quantité de données (400 TB ici). Il y a eu un entrainement avec des spectrogrammes contenant des FRB et d'autres ne contenant que du bruit ou des interférences.Dans l'article de Gerry Zhang [3], on peut voir les spectrogrammes des 30 premières minutes. J'ai ajouté une étoile sur ceux qui avaient déjà été détectés. Ceux avec un carré bleu ont été découverts grâce à l'algorithme.
Sur le site de l'équipe SETI de l'université de Berkeley [5], on peut télécharger les données et voir une superbe animation des 93 signaux détectés. Les 72 nouveaux sont ceux avec les numéros en blanc. Ceux avec les numéros en rouges sont les 21 qui étaient déjà connus.
Sommes-nous seuls dans l'univers ?
Comme l'explique admirablement bien Laurent Sacco sur Futura Sciences [6], les sursauts radio rapides (FRB) sont passionnants, mal connus, mais comme on en a détectés dans plusieurs galaxies, il y a aucune raison qu'il puisse s'agir de messages envoyés par un extraterrestres. Vu leur puissance, comme des pulsars ou des quasars, ils viennent d'objets astronomiques que l'on ne connait pas encore.Dans cette interview, Vishal Gajjar raconte que dans le village indien où il a grandi, il n'y avait pas internet, mais une bibliothèque. L'abonnement était cher, donc il le partageait avec des amis, chacun empruntant des livres pendant un mois à tour de rôle. C'est grâce à cela qu'il a découvert "The Universe in a Nutshell" (L'univers dans une coquille de noix) de Stephen Hawking. Ce livre a été le début de sa quête d'une réponse à la question "sommes nous seuls dans l'univers ?" et de sa volonté de découvrir de nouvelles choses. Il ajoute "Si vous n'êtes pas curieux à propos de cette question, vous ne faites pas vraiment de la bonne science".
Les perspectives
Cette première application réussite des techniques du Deep Learning, ou apprentissage profond sur des signaux radio ouvre bien sûr d'incroyable perspectives d'analyse de données déjà reçues dans lesquelles des informations ont pu échapper aux scientifiques.Grâce aux réseaux de neurones convolutifs, les astronomes vont voir de nouvelles choses, faire de nouvelles découvertes ou en savoir plus sur des objets comme FRB121102. L'article de Gerry Zhang [3] parle par exemple de la périodicité ou de la fréquence des pulses, ce que je n'ai pas mentionné dans ce billet.
L'équipement mis en place à Green Bank dans le cadre d'un projet SETI a des retombées sur nos connaissances en astronomies et permet le développement de techniques pour traiter les données de manière plus intensive, ce qui pourra être appliqué à tout un tas de domaines, à commencer par la recherche de signatures technologiques.
- V. Gajjar, A. P. V. Siemion & al, Highest Frequency Detection of FRB 121102 at 4–8 GHz Using the Breakthrough Listen Digital Backend at the Green Bank Telescope, The Astrophysical Journal vol 863, 2018. arXiv:1804.04101
- ARTIFICIAL INTELLIGENCE HELPS BREAKTHROUGH LISTEN FIND NEW FAST RADIO BURSTS
- Yunfan Gerry Zhang, Vishal Gajjar, Griffin Foster, Andrew Siemion, James Cordes, Casey Law and Yu Wang, Fast Radio Burst 121102 Pulse Detection and Periodicity: A Machine Learning Approach, arXiv:1809.03043
- Réseau neuronal convolutif (Wikipédia)
- Breakthrough Listen: Machine Learning Enables New Detections of FRB 121102
- L. Sacco, Un sursaut radio rapide qui intrigue mais sans civilisation E.T., Futura Sciences
Commentaires