En 2019, le monde a pu voir pour la première fois un trou noir supermassif, M87*, au cœur de la galaxie elliptique géante Messier 87. L'image montrait une structure en forme d'anneau avec une dépression centrale, ce qui correspondait aux prédictions de la théorie de la relativité générale d'Einstein. Elle a été publiée par les principaux médias du monde entier.
« Cette première image de M87* est magnifique et saisissante », déclare Avery Broderick, chercheur à l’Institut Périmètre, professeur à l'Université de Waterloo et membre fondateur de la collaboration Event Horizon Telescope (EHT) qui a permis de diffuser ces images dans le monde entier. « Le trou noir apparaît tel qu'il devrait apparaître. Grâce à des prédictions quantitatives, nous savions que l'anneau devait avoir une certaine taille, que l'ombre devait avoir une certaine taille, et c'était le cas. »
Aujourd'hui, l'EHT a deux trous noirs supermassifs dans son viseur. M87* et Sagittarius A* (Sgr A*, prononcé « sadge-ay-star »), un trou noir supermassif situé au centre de notre Voie lactée, sont tous deux des candidats de choix pour une étude approfondie. Les trous noirs, qui f iguraient autrefois parmi les plus grands mystères de l'univers, sont également les objets gravitationnels les plus extrêmes. Les scientifiques sont impatients d'en savoir plus et, dans certains cas, ils développent de nouveaux outils d'apprentissage automatique pour accélérer la recherche.
Ces outils, créés et vérifiés par les scientifiques qui les utilisent, pourraient jouer un rôle important en aidant les chercheurs à accéder à de nouvelles informations sur les trous noirs, notamment les secrets de la cosmologie et de la gravité quantique.
« Directement vers la physique » pour plus d'efficacité
L'EHT est un réseau mondial de radiotélescopes qui fonctionnent ensemble pour créer un télescope de la taille de la Terre. Mais l'EHT ne prend pas directement de photos. Les données de l'EHT sont fournies dans un format « mélangé » qui doit être traduit afin que les chercheurs puissent identifier les images candidates à étudier, puis les interpréter.
Les chercheurs de l'EHT utilisent une méthode appelée interpolation non linéaire pour estimer les valeurs inconnues entre les paramètres, comblant ainsi les lacunes lorsque les données collectées sont incomplètes.
Il existe plusieurs approches pour résoudre ce problème d'interpolation. Dans certains cas, les scientifiques souhaitent utiliser les données brutes sans faire aucune hypothèse pour reconstruire les images. Mais pour tirer le meilleur parti des données reçues, les scientifiques de l'EHT souhaitent souvent comparer les données à des modèles physiques de trous noirs basés sur des connaissances théoriques de leur comportement : comment le plasma qui les entoure se déplace, comment le rayonnement est produit et comment il se propage dans l'espace pour atteindre la Terre. Ce dernier élément permet aux chercheurs de discerner les paramètres physiques de Sgr A* avec une précision inégalée.
Dans la pratique, ces efforts ne débouchent pas sur une seule image, mais sur des bibliothèques contenant des milliards d'images, reflétant les nombreuses façons possibles d'interpréter les données et permettant une analyse statistique rigoureuse des caractéristiques du trou noir.
« Cela nous permet de déterminer quels paramètres et quelles images correspondent aux données et lesquels ne correspondent pas », explique Broderick, « mais c'est un processus qui prend beaucoup de temps. Même à raison d'une seconde par image, cela représente un temps considérable. Nous pouvons utiliser environ 10 000 cœurs de processeur à la fois, mais même ainsi, il fallait auparavant un mois pour traiter un seul exemple. Ce que nous voulons vraiment, c'est passer plus rapidement des données à l'interprétation. »
C'est une approche qu'il qualifie de « directement vers la physique », car elle permet aux physiciens d'éviter l'étape fastidieuse de production d'images avant de pouvoir commencer l'interprétation. L'apprentissage automatique semblait offrir une solution.
« Je ne connaissais pratiquement rien à l’apprentissage machine, mais j'avais en tête une série de problèmes potentiels, et l'idée était de développer un outil qui permettrait de créer des images candidates que nous pourrions déployer sur de nombreux modèles théoriques potentiels et obtenir des analyses directement liées à la physique », explique-t-il.
Broderick a fait appel à Ali SaraerToosi, étudiant en maîtrise, pour créer ALINet, un outil de génération d'images spécialement conçu sous la forme d'un modèle d'apprentissage automatique génératif, dans le cadre de son projet de master PSI. ALINet accélère considérablement le processus de génération d'images candidates à des fins de comparaison.
« Nous pouvons désormais générer un nombre relativement faible de 100 000 images et entraîner un modèle d'apprentissage automatique à produire les milliards d'images requises mille fois plus rapidement qu'auparavant, ce qui rend cela possible sur environ 30 cœurs d'ordinateur en une seule journée.
En réduisant le coût informatique lié à la génération d'une image, cet outil facilite l'estimation des paramètres et la validation des modèles pour l'observation des systèmes de trous noirs. Après avoir testé l'outil avec des images tests, puis l'avoir entraîné à l'aide d'un ensemble de données d'apprentissage, ALINet est désormais utilisé par l'EHT.
« C'est une technologie qui nous facilite la tâche. Nous obtenons des réponses plus rapidement et nous les vérifions au fur et à mesure », explique Broderick.
L'IA peut-elle « apprendre » à voir plus clairement les trous noirs?
Les images des trous noirs posent un autre défi : les observer à travers une telle distance spatiale peut gâcher la vue. Le problème est lié à la diffusion interstellaire, qui produit deux types de distorsion à des longueurs d'onde millimétriques en rendant l'image floue et en ajoutant du bruit de réfraction. C'est un problème que Broderick et Chunchong (Rufus) Ni, étudiant diplômé de l'université de Waterloo, ont soumis à des étudiants de premier cycle qui travaillent sur une autre architecture d'IA visant à « débruiter » les images de Sgr A*.
« C'était une question de principe qui se posait à nous. Lorsque nous observons Sgr A*, nous le voyons à travers le disque de la galaxie. Ce disque contient du gaz, des électrons libres et des champs magnétiques qui provoquent des fluctuations dans l'image. C'est un peu comme si nous le regardions à travers une fenêtre givrée par la pluie verglaçante ou à travers une moustiquaire », explique Broderick.
Différentes fréquences lumineuses peuvent affecter la netteté d'une image. À des fréquences plus élevées, le flou s'atténue, mais l'atmosphère devient opaque et il est beaucoup plus difficile de voir à travers.
« Sgr A* est protégé par un écran de confidentialité, ce qui permet d'utiliser des fréquences plus élevées, mais cela s'avère assez difficile sur Terre, car l'atmosphère n'est pas très favorable aux rayonnements électromagnétiques », explique Broderick.
Alors, comment franchir cet écran de confidentialité et le centre galactique ? Heureusement, les scientifiques ont de nombreuses vues de Sgr A* car celui-ci change constamment, tandis que l'« écran » à travers lequel nous le voyons semble changer plus lentement.
« Si vous regardez un objet à travers une fenêtre sur votre écran, ce dernier s'impose parfois à votre vision, mais si cet objet commence à bouger, vous le voyez clairement, car votre cerveau assemble toutes les parties de l'objet en mouvement et défocalise l'écran », explique Broderick.
Il s'agit d'un concept mathématique appelé « déconvolution », qui consiste à supprimer les effets de flou ou de distorsion.
« Certains étudiants ont eu l'idée d'adapter un outil d'apprentissage automatique qui élimine les taches bruitées des images d'astronomie à rayons X », explique Broderick. « Et nous avons pensé que nous pourrions peut-être construire quelque chose qui nous permettrait de voir à travers la moustiquaire de la fenêtre ou d'obtenir une image plus claire. »
En mai 2025, l'équipe a publié un article dans The Astrophysical Journal, dans lequel elle démontre qu'il est possible d'atténuer presque complètement la diffusion interstellaire à une longueur d'onde de 1,3 mm (la fréquence à laquelle fonctionne l'EHT). Elle a validé son outil à l'aide de simulations.
Broderick qualifie cela de « question de principe ». Tout d'abord, l'équipe doit déterminer s'il est possible de « retirer l'écran ». Une fois qu'elle sait qu'il existe un moyen, l'étape suivante consiste à apprendre à le mettre en œuvre de manière entièrement vérifiable.
Faire confiance, mais vérifier
« La science consiste à se demander : « Dans quelle mesure puis-je être sûr d'avoir vu ce que je pense avoir vu ? » Et c'est une tâche très difficile que nous avons entreprise au sein de mon groupe », explique M. Broderick. « Nous adoptons une approche « faire confiance, mais vérifier », et nous ne déployons l'IA que dans les domaines où nous pouvons vérifier explicitement qu'elle se comporte comme elle est censée le faire. »
Broderick considère cela comme faisant partie d'un processus d'apprentissage pour tout le monde. À mesure que les outils d'IA se généralisent, Broderick s'attend à ce que le public améliore sa compréhension de la manière de faire la différence entre les outils qui créent des résultats inédits et ceux qui exécutent de simples fonctions de cartographie.
« Le défi consiste à exploiter l'IA de manière responsable afin de pouvoir la déployer dans des applications de découverte », explique M. Broderick. « Comment utiliser l'IA pour définir ce que vous n'avez jamais vu ? Nous construisons notre propre architecture conçue pour effectuer des analyses d'images d'une manière que nous pouvons vérifier. Dans le domaine scientifique, dans le cadre des recherches menées par mon groupe, nous validerons toujours les réponses fournies par l'IA. »
À propos de l’IP
L'Institut Périmètre est le plus grand centre de recherche en physique théorique au monde. Fondé en 1999, cet institut indépendant vise à favoriser les percées dans la compréhension fondamentale de notre univers, des plus infimes particules au cosmos tout entier. Les recherches effectuées à l’Institut Périmètre reposent sur l'idée que la science fondamentale fait progresser le savoir humain et catalyse l'innovation, et que la physique théorique d'aujourd'hui est la technologie de demain. Situé dans la région de Waterloo, cet établissement sans but lucratif met de l'avant un partenariat public-privé unique en son genre avec entre autres les gouvernements de l'Ontario et du Canada. Il facilite la recherche de pointe, forme la prochaine génération de pionniers de la science et communique le pouvoir de la physique grâce à des programmes primés d'éducation et de vulgarisation.
