Le ciel gamma comme un orchestre : le faible contrôle détecte les anomalies ✛ ✦

Le ciel gamma, immortalisé par le télescope Fermi, est une symphonie grandiose de milliers de sources. On y trouve les pulsations rythmiques des pulsars, les accords puissants des noyaux actifs de galaxie, mais surtout des objets non identifiés dont la partition reste une énigme. Les méthodes traditionnelles de recherche de nouvelle physique exigent une partition précise : il faut savoir comment sonne le signal d'annihilation de la matière noire ou les oscillations axion-photon. Mais la nature pourrait jouer une mélodie différente de celle que nous attendons. C'est pourquoi les scientifiques se sont tournés vers l'apprentissage faiblement supervisé, une technique qui détecte la dissonance sans même connaître les notes.

L'idée est aussi élégante qu'un ajustement de l'oreille. Imaginez deux enregistrements audio : le premier est un orchestre impeccable (fond pur), le second est le même orchestre, mais dans la salle pourrait se trouver un soliste non invité dont la voix se mêle au son (échantillon mélangé). Un classifieur faiblement supervisé apprend à distinguer ces enregistrements en identifiant des caractéristiques non typiques du fond. Comme un auditeur expérimenté qui perçoit instantanément la fausse note, l'algorithme aiguise sa sensibilité aux moindres écarts. Dans l'étude, des spectres réels et synthétisés par flux normalisateurs ont été utilisés (méthodes de spectroscopie et de photométrie), et le classifieur était un ensemble d'arbres de décision avec boosting par gradient.

Les auteurs ont testé la méthode dans trois scénarios. Dans le premier, séparer les pulsars des noyaux actifs de galaxie : avec une proportion de classe anormale de 10%, le faible contrôle a atteint un taux de vrais positifs d'environ 0.7, presque égal à celui de l'analogue supervisé. Dans le second, la recherche de sous-halos de matière noire de masse 80 GeV, s'annihilant en quarks b. Ici, un résultat modeste (taux de détection ~0.4 avec un faible taux de fausses alertes) a souligné l'essentiel : la méthode ne nécessite pas une connaissance précise du spectre du signal, et peut donc voir ce qui ne correspond à aucun modèle. Le troisième scénario est encore plus subtil : la recherche de distorsions spectrales dues aux oscillations axion-photon (idée de Roberto Peccei) dans la galaxie. Même avec une proportion de signal de 3%, l'algorithme a détecté des anomalies, bien que le taux de fausses alertes ait augmenté — le prix inévitable de la liberté vis-à-vis des modèles. Pour entendre la voix discrète du soliste, il faut amplifier tous les sons, au risque de prendre un sifflement pour une nouvelle partition.

Cette stratégie ne remplace pas les recherches ciblées, mais offre aux astrophysiciens un détecteur automatique d'étrangeté. Il classe des centaines et des milliers de sources, mettant en évidence les candidats les plus suspects. À terme, la méthode sera appliquée à l'ensemble des données de Fermi et aux données des nouveaux observatoires. Les réseaux de neurones profonds, l'analyse bayésienne — tout cela transformera la chasse aveugle aux anomalies en une chaîne de découvertes. Il est remarquable que des approches similaires soient déjà utilisées au Grand collisionneur de hadrons pour rechercher de nouvelles particules — les anomalies ne connaissent pas de frontières entre le ciel et l'accélérateur.

Lorsque Vera Rubin a remarqué des irrégularités dans la rotation des galaxies, elle ne cherchait pas la matière noire — elle a vu une anomalie. Lorsque Jocelyn Bell Burnell a découvert des impulsions radio, elle ne modélisait pas une étoile à neutrons — elle a remarqué une dissonance. Les algorithmes faiblement supervisés poursuivent cette tradition : écouter le ciel sans savoir ce que l'on cherche — et s'émerveiller.