Les détecteurs d'ondes gravitationnelles comparent généralement le signal à des modèles prêts à l'emploi, comme s'ils cherchaient une mélodie familière dans le bruit. Cela permet de repérer uniquement les scénarios connus, par exemple les fusions de trous noirs. Mais les explosions de supernovae ou les secousses soudaines d'étoiles à neutrons passent inaperçues — il n'existe pas de modèles pour elles.
La méthode CoAD contourne cette limitation. Deux réseaux de neurones travaillent indépendamment sur deux détecteurs éloignés, comme une paire d'oreilles attentives : chacune entend son propre bruit, mais le signal n'est considéré comme réel que si les deux oreilles perçoivent le même son simultanément. L'apprentissage se fait sans indications — les réseaux apprennent eux-mêmes à extraire les coïncidences du chaos des données.
Cette approche non seulement trouve des ondes inhabituelles, mais reconstruit aussi leur forme — comme si l'on composait un portrait-robot d'un phénomène inconnu. Lors des tests, CoAD a reconnu plus de 90% des fusions d'étoiles à neutrons et jusqu'à 85% des sursauts basse fréquence, en se trompant moins d'une fois par an. Pour les futurs détecteurs ultra-sensibles, elle deviendra indispensable.
Les détecteurs d'ondes gravitationnelles les plus sensibles peuvent percevoir des vibrations mille fois plus petites que le diamètre d'un proton.