L'astronomie gravitationnelle connaît un essor remarquable : les détecteurs LIGO, Virgo et KAGRA enregistrent régulièrement des fusions d'objets compacts. La plupart des détections confirmées reposent sur le filtrage adapté, qui exige des modèles précis du signal. Or toutes les sources ne se laissent pas décrire par de tels modèles : les explosions de supernova, les oscillations des étoiles à neutrons, le rayonnement qui suit une fusion et les transitoires brefs inattendus ont une forme incertaine, voire totalement inconnue. D'où la nécessité de recherches qui ne présupposent aucune famille de modèles. Celles-ci cherchent généralement un excès d'énergie ou une structure cohérente dans une représentation temps-fréquence. Ce travail se situe dans le sillage des efforts de recherche sans modèle, comme coherent WaveBurst et BayesWave, mais s'en distingue en menant l'approche par ondelettes jusqu'à un pipeline complet à faible latence, avec classement des coïncidences par un réseau de neurones sur graphe.
Le pipeline traite les données des détecteurs comme un flux continu. D'abord, les données sont blanchies par un filtre autorégressif à phase nulle, qui préserve la forme du signal transitoire et fonctionne à retard fixe. Ensuite, chaque bloc d'analyse de 250 ms est décomposé sur dix bases d'ondelettes orthonormées. Les coefficients dépassant un seuil déterminé par le niveau de bruit sont conservés, et leur norme sert de statistique de détection. Les déclenchements issus de fenêtres successives sont regroupés en événements d'un même détecteur selon des règles géométriques de proximité en temps, en fréquence et en énergie. Les événements de détecteurs différents forment les nœuds d'un graphe, et les arêtes relient les paires compatibles en temps d'arrivée et en support fréquentiel. Ce graphe est classé par un réseau de neurones sur graphe, entraîné soit de façon supervisée sur des signaux injectés, soit de façon non supervisée sur des coïncidences aléatoires.
Sur des données simulées avec un bruit coloré selon la courbe de sensibilité d'Advanced LIGO, la recherche retrouve 0.99 des trous noirs binaires, 0.87–0.86 des systèmes trou noir–étoile à neutrons, 0.47–0.50 des binaires d'étoiles à neutrons et 0.60–0.63 des explosions de supernova dans un détecteur. Sur les données réelles d'O4, l'efficacité est plus élevée : 0.995–0.999 pour les trous noirs binaires, 0.943–0.966 pour les systèmes trou noir–étoile à neutrons, 0.799–0.859 pour les binaires d'étoiles à neutrons et 0.524–0.572 pour les supernovas. Le classement en réseau par le réseau de neurones sur graphe surpasse la statistique déterministe : à un faux déclenchement par jour sur données réelles, le GNN retrouve 0.28 de la population en coïncidence contre 0.08 pour Rmor, et à dix par jour, 0.85 contre 0.56. Pour l'événement GW250114, le pipeline sans modèle l'identifie comme le candidat le plus fort, avec un retard nul dans le segment analysé.
Ce travail montre qu'une représentation en ondelettes peut assurer la détection, le classement et la reconstruction des signaux transitoires au sein d'un pipeline unique. Contrairement aux travaux voisins, qui se concentrent souvent sur une seule étape, ici tout le parcours, des données blanchies jusqu'au candidat calibré et à la région du ciel, s'effectue sans modèle de signal. L'usage d'un réseau de neurones sur graphe pour classer les coïncidences directement sur le graphe de déclenchements est une première dans le domaine des recherches sans modèle. Cela ouvre la voie à une recherche plus sensible des sources inattendues en temps réel.
Le sujet pourrait évoluer vers l'estimation des paramètres au moyen de flots normalisants appliqués aux mêmes coefficients, ce qui a donné son nom au pipeline. Une autre direction est le test complet à faible latence de la chaîne, avec portage du front-end sur des plateformes matérielles, par exemple des FPGA. Ces deux directions sont déjà inscrites dans les choix d'architecture du travail.
La méthode aura un impact sur l'astronomie gravitationnelle, en particulier sur la recherche des explosions de supernova et d'autres sources non modélisées. Elle peut aussi être utile pour la classification automatique des bruits instrumentaux.
Analyser des segments plus longs de données réelles afin de mesurer l'efficacité aux taux caractéristiques d'un cycle d'observation. Entraîner le modèle sur du bruit réel avec des événements annotés.
Le problème non résolu central de l'astronomie gravitationnelle est la détection de signaux transitoires sans modèles précis, en particulier ceux des explosions de supernova. Ce travail aborde directement ce problème en proposant un pipeline qui ne présuppose pas la forme du signal, tout en fournissant une significativité calibrée et une reconstruction.
L'événement GW250114 a été trouvé par le pipeline sans modèle, alors que son rapport signal-bruit en réseau est d'environ 80 et que sa fausse alarme est extrêmement faible. Le filtre à ondelettes utilise dix bases différentes pour que chaque signal soit représenté sous la forme la plus compacte.
L'idée d'écouter le cosmos sans modèles préétablis fait écho au roman de Carl Sagan « Contact », où un signal d'origine extraterrestre a été détecté précisément parce qu'il ne ressemblait pas aux bruits attendus.