En 2021, une équipe composée de nombreux chercheurs avait publié dans la revue scientifique Science la première image d'un trou noir, ou plutôt son contour. L'image a maintenant été améliorée grâce à un algorithme de machine learning, Primo.
La première image avait été créée non pas en photographiant, mais en la construisant à partir de données recueillies par plusieurs radiotélescopes. Un manque de données rendait toutefois l'image un peu floue. L'algorithme de deep learning utilisé entrainé sur des simulations de trou noir permet d'obtenir une image plus nette du trou noir.
Les chercheurs ont expliqué en détails leur méthode dans un article scientifique, mais vous pouvez aussi visionner la vidéo d'Hugo Lisoir pour comprendre plus facilement.
Commentaires (13)
#1
Je me trompe ou l’image servant à illustrer cette actualité n’est pas l’image la plus nette dont le titre fait mention ?
#2
Bonjour
j’ai regardé avec intérêt la riche vidéo de Hugo Lisoir. Je regrette qu’il ne soit jamais indiqué la nature exacte des images, vidéos réalisées sur Terre et non sur Mars, images ou vidéos simulées ou artistiques vs images astronomiques réelles.
C’est dommage les images astronomiques réelles sont suffisamment spectaculaires, certes les simulations ou les vues “artistiques” peuvent apporter du sens pédagogique mais il faut absolument signaler la différence !
#3
Mais :
#4
Plus on améliore la netteté grâce à des simulations, moins on sait si c’est conforme à la réalité. La seule chose que l’on sait, c’est que l’image plus nette correspond mieux aux simulations.
La conséquence, c’est que la photo est quasi inexploitable pour vérifier des théories.
#4.1
C’est exactement ce que je me suis dit : on entraîne une IA sur ce à quoi on pense que ressemble la photo d’un trou noir, et on lui dit “modifie cette image pour que ça ressemble a ce qu’on t’a appris”.
C’est certe joli, mais scientifiquement inutile et inexploitable.
#4.2
En effet, ça ne vaut pas mieux qu’une vue d’artiste…
#4.3
Ouais enfin, vous exagérez un petit peu non ? De toute façon on a ici des observations incomplètes qui ne peuvent pas mener à une image directement. On doit donc utiliser des à priori sur l’image à obtenir pour trouver celle qui colle le mieux aux observations, c’est un problème de reconstruction (par exemple en photographie, en acoustique, en imagerie médicale, etc). Le “mieux” à minimiser est une fonction coût qui contient l’écart entre les observations réelles et celles qu’auraient générées les données reconstruites, et exprime aussi une proximité avec des propriétés attendues (les “à priori”, comme une image “régulière”, des applats de couleur, des bords de longueurs minimales, des valeurs positives, …) à travers des termes de régularisation.
Comme expliqué dans l’introduction de l’article, l’image précédente utilisait déjà ce genre d’à priori : “maximize entropy, minimize gradients, require positivity, and/or prefer compact sources, in order to fill the regions of the Fourier domain where there are no data” mais avait l’avantage (ou l’inconvénient) de ne pas être basé sur un modèle physique du phénomène observé. Du coup, le fait de toute de même reconstruire un anneau était apparemment très important.
Ici, ils rajoutent de la physique en se basant sur des visualisations numériques basées sur le modèle physique le plus approprié pour un trou noir et ils font des analyses statistiques (analyse par composantes principales et co. je ne suis pas d’ailleurs convaincu que le terme d’IA soit approprié pour ce genre de méthodes) pour générer une base des propriétés de ces images, et cherchent ensuite la combinaison de ces propriétés qui permettent le mieux de reproduire les signaux observés.
Je suppose que le fait qu’ils arrivent à plutôt bien coller aux observations indique au moins que le modèle physique n’est pas à côté de la plaque et, en considérant le modèle adapté, ils peuvent utiliser l’image reconstruite pour mesurer certaines paramètres physique du phénomène.
Du coup, ça me paraît tout de même plus exploitable qu’une simple vue d’artiste (troll mis à part) …
#5
Machine learning sur du trou noir ..hmm et c’était quoi la taille de l’échantillon des exemples qu’on lui a montrés pour l’entraîner ??
#5.1
Des simulations de trous noirs… l’échantillon peut être assez large du coup.
Mais comme dit dans les commentaires précédents, l’intérêt semble douteux. On perd l’utilité d’avoir des mesures réelles si on analyse plutôt une version modifiée via IA pour qu’elle colle plus à la théorie actuelle…
#5.2
#6
je suis désolé pour la qualité de la photo,
ma lampe torche avait les piles à plat et mon appareil photo est un premier prix…
#6.1
#7
Ca y est, on a enfin remarqué que c’est le cul d’un chat devant l’objectif ?