Un réseau de neurones qui apprend à compresser et à reconstruire des données, utilisé ici pour générer rapidement des modèles d'ondes gravitationnelles.Un autoencodeur est un type de réseau de neurones artificiels qui apprend à compresser des données d'entrée en une représentation de dimension inférieure, puis à reconstruire les données originales à partir de cette forme compressée. Le réseau est entraîné à minimiser la différence entre l'entrée et sa reconstruction, ce qui le force à capturer les caractéristiques les plus saillantes des données. En physique, les autoencodeurs sont devenus un outil précieux pour générer rapidement et avec précision des modèles de signaux d'ondes gravitationnelles, qui sont par ailleurs coûteux en calcul lorsqu'on les dérive à partir des principes fondamentaux.
Les autoencodeurs ont été introduits dans les années 1980 par Geoffrey Hinton et d'autres comme une méthode d'apprentissage non supervisé, mais ils ont suscité un large intérêt dans les années 2000 avec l'avènement de l'apprentissage profond. Leur application à l'astronomie des ondes gravitationnelles a commencé à la fin des années 2010, alors que le besoin de génération rapide de modèles croissait avec la sensibilité accrue des détecteurs.
Un autoencodeur se compose de deux parties : un encodeur qui transforme l'entrée en un code « latent » compact, et un décodeur qui reconvertit le code dans l'espace d'origine. Pendant l'entraînement, le réseau ajuste ses poids afin que la sortie corresponde étroitement à l'entrée pour un grand ensemble d'exemples. Une fois entraîné, le décodeur peut générer de nouveaux échantillons à partir de codes latents arbitraires, agissant ainsi comme un modèle de substitution rapide. Pour les ondes gravitationnelles, l'autoencodeur est entraîné sur des formes d'onde simulées, puis le décodeur peut produire un modèle pour un ensemble donné de paramètres (comme les masses et les spins des trous noirs) presque instantanément, contournant les simulations lentes de relativité numérique.
Les autoencodeurs sont utilisés dans l'analyse des données d'ondes gravitationnelles pour accélérer les recherches par filtrage adapté, en astrophysique pour classer les galaxies à partir d'images de relevés, et en imagerie médicale pour débruiter ou compresser des scans.
Un autoencodeur entraîné sur des signaux d'ondes gravitationnelles peut générer une nouvelle forme d'onde en quelques millisecondes, alors qu'une simulation complète de relativité numérique pourrait prendre des semaines sur un supercalculateur.















