Un défi en astronomie gamma réside dans la séparation de signaux dans des régions de l’espace des coordonnées (espace, temps, énergie) où ces derniers se mélangent. Un exemple typique aux très hautes énergies (E≳100 GeV) est la question du bruit de fond résiduel dans les observations se mélangeant aux signaux provenant de sources d’intérêt astrophysiques. Une approche innovante publiée dans le « Journal of Cosmology and Astroparticle physics », basée sur l’utilisation de méthodes d’Intelligence Artificielle de type réseaux de neurones, vient d’être mise en œuvre pour exploiter la séparabilité des composantes spatiales et énergétiques des signaux. Cette approche basée sur l’apprentissage profond permet d’estimer les formes spatiale et spectrale de la source et du fond, ainsi que de leurs incertitudes, avec un minimum de connaissances pré-requises.
Les rayons gamma de très haute énergie (VHE, E≳100 GeV) constituent un messager unique pour sonder les phénomènes les plus violents dans l’Univers. Ils peuvent révéler des informations cruciales sur les régions qu’ils traversent et les mécanismes qui les produisent, comme l’accélération relativiste des particules via des chocs de plasma et des champs magnétiques, ou des processus tels que l’annihilation de la matière noire. L’identification et la caractérisation de tels mécanismes nécessitent une analyse minutieuse des sources de rayonnement gamma, notamment par l’examen de leurs caractéristiques spatiales, spectrales et temporelles, ce qui nécessite des outils analytiques puissants pour les capturer avec précision.
Un enjeu majeur de l’astronomie gamma au sol auprès des grands réseaux de télescopes Tcherenkov comme CTAO ou H.E.S.S. est l’identification de la contamination par les rayons cosmiques de haute énergie provenant de toutes les directions du ciel. Les rayons gamma ne traversent pas notre atmosphère mais sont absorbés en produisant une cascade éphémère de particules secondaires qui émet de faibles flashs de lumière bleutée, la lumière Tcherenkov, en seulement quelques milliardièmes de seconde (voir Figure 1). Or tous les rayons cosmiques de haute énergie peuvent créer des gerbes de particules secondaires dans l’atmosphère terrestre qui peuvent produire un rayonnement Tcherenkov similaire à celle des gerbes « gamma ». En conséquence, les observations des signaux gamma sont souvent contaminées par ce bruit de fond.
L’atténuation de ce bruit de fond se fait en deux étapes : la première consiste à reconstruire tous les événements observés provenant d’une région donnée du ciel et à ne garder que ceux pour lesquels une gerbes « gamma » est détectée ; la deuxième consiste en une estimation statistique du bruit de fond résiduel dans des régions, dites de contrôle et où le bruit de fond domine, en utilisant la liste des événements associés à la source après le processus de reconstruction.
Pour résoudre le problème du bruit de fond résiduel dans la liste d’événements, plusieurs méthodes statistiques ont été développées, selon que la position source est connue ou non a priori. Une technique conventionnelle consiste à utiliser une région en forme d’anneau autour de la région de l’observation contenant le signal source pour estimer le bruit de fond (figure 2). Une autre méthode utilise plusieurs régions de contrôle pour obtenir une estimation de fond plus fiable en faisant la moyenne les fluctuations spatiales. L’hypothèse d’isotropie dans la première méthode peut ne pas toujours être vraie, en particulier dans les régions aux structures de fond complexes. Dans la deuxième, toute réduction des fluctuations statistiques nécessite une sélection minutieuse des régions de contrôle pour éviter des biais dans l’estimation du fond.
Séparation des composantes avec des réseaux de neurones
Les réseaux de neurones ont démontré leur efficacité dans les tâches de séparation des composantes dans divers domaines. Une preuve de concept basée sur un réseau de neurones est présentée pour répondre à la question de la contamination de fond, et comme première étape pour le problème plus général de séparation de composants multiples en astrophysique VHE. La démarche consiste à conjointement estimer les champs moyens des signaux correspondant aux sources astrophysiques et au bruit de fond dans la région d’intérêt en maximisant la probabilité d’une observation donnée, tout en fournissant une incertitude tenant compte des limites du modèle ainsi que du bruit statistique dans les observations.
Nous considérons une observation donnée, i.e, une liste d’événements (x, e) regroupés en coordonées spatiales (x) et en énergie (e), comme une réalisation de Poisson d’un champ moyen sous-jacent Ftot. Nous supposons que Ftot est la somme de deux composantes, l’une pour l’émission de la source d’intérêt (Fs) et l’autre due au bruit de fond (Fb), ces dernières pouvant être décomposées en composantes spatiales et énergétiques (Ss,Es) et (Sb,Eb), tel que Ftot(x, e) = Ss(x) × Es(e) + Sb(x) × Eb(e). Pour estimer les formes spatiales et spectrales Ss, Es, Sb et Eb à partir du mélange de deux composantes dans notre champ d’observation, nous construisons quatre réseaux de neurones denses (i.e, chaque couche du réseau est profondément connectée à la couche précédente) distincts pour émuler les quatre composantes comme présenté sur la figure 3. Les architectures de réseau sont délibérément conçues pour être relativement simples et peu gourmandes en ressources. Un réseau dense distinct pour chaque composante est choisi pour un meilleur contrôle de cette paramétrisation, ainsi que pour les garder indépendants par défaut.
Cette procédure est appliquée à la fois sur des observations simulées, un modèle simplifié et un modèle réaliste stimulants l’annihilation de la matière noire dans le centre galactique, ainsi que des observations publiques effectuées par le réseau de télescopes à effet Tcherenkov atmosphériques H.E.S.S. avec les jeux de données sur la nébuleuse du Crabe et la nébuleuse à vent de pulsar MSH 15-52. Notre méthode fonctionne bien dans les cas simulés, et se compare favorablement aux approches d’analyse conventionnelles lorsque appliquée à des observations vraies (cf. Figure 4).
Dans le cas simulé du signal d’annihilation de matière noire au centre galactique, nos travaux ouvrent de nouvelles voies pour la séparation des composants dans cette région complexe du ciel aux très hautes énergies. Les travaux ultérieurs sur ce sujet incluent des étapes vers une généralisation, comme l’ajout d’une évolution temporelle de la source ou la généralisation à un nombre variable de sources. Enfin, expérimenter diverses architectures de réseaux devraient contribuer à l’optimisation des résultats.
Cette approche, utilisant un ensemble de réseaux denses à faibles nombres de paramètres, s’avère très efficace. Deux facteurs clés sont essentiels pour obtenir des estimations finales optimales et précises : l’utilisation de contraintes a priori sur les formes de la source et du bruit de fond contribue à guider le modèle vers des solutions plus réalistes et plus fiables ; et l’utilisation d’une méthode de pondération adéquate lors de la combinaison des résultats individuels de l’ensemble. Cette méthode permet d’éliminer automatiquement des estimations plus erronées tout en permettant à des estimations tout aussi plausibles de contribuer à la moyenne finale. La méthodologie démontre un cadre robuste pour la séparation source bruit de fond en présence de fluctuation statistique, améliore la précision des résultats, et fournit également une représentation claire de l’incertitude sur modèle sous-jacent. De futurs travaux peuvent se baser sur ces résultats pour affiner et élargir davantage l’applicabilité de cette approche à une gamme large de problèmes astrophysiques.
Contact : Emmanuel Moulin
Références : Ullmo, M., & Moulin, E. (2025). Nonparametric signal separation in very-high-energy gamma ray observations with probabilistic neural networks. Journal Of Cosmology And Astroparticle Physics, 2025(01), 014. https://doi.org/10.1088/1475-7516/2025/01/014