Si Ai découvre 50 nouvelles planètes en fouillant dans les données de la NASA…


Sommes-nous seuls dans l’univers ? Récemment, une étude statistique italienne publiée dans Pnas a estimé le nombre d’exoplanètes qui pourraient abriter de la vie dans notre galaxie, à condition qu’au cours des prochaines années, on en trouve au moins une présentant des signes évidents d’activité biologique. Il est difficile d’espérer s’y installer dans un délai raisonnable, a expliqué l’astrophysicien Amedeo Balbi de l’Université Tor Vergata de Rome qui l’a signé avec Claudio Grimaldi de l’Ecole Polytechnique de Lausanne. Maintenant, une autre enquête, évidemment d’un autre genre (elle vise uniquement l’identification du corps céleste et ne peut apporter la preuve de traces de vie) a confirmé l’existence de 50 autres planètes grâce à l’aide d’un nouvel algorithme d’apprentissage automatique.

Développé par l’université britannique de Warwick, l’algorithme a pour la première fois analysé un ensemble de données et d’images relatives à des planètes potentielles détectées par des missions passées ou des observations télescopiques, en déterminant lesquelles peuvent effectivement correspondre à des planètes réelles et lesquelles sont des “faux positifs” ou d’autres corps célestes. Ainsi, on calcule la probabilité que chaque candidat soit effectivement classé comme une exoplanète complète.

Les résultats, illustrés dans une étude publiée dans les Monthly Notices of the Royal Astronomical Sociey, comparent différentes techniques de validation pour l’analyse des données, y compris le nouvel algorithme “astronomique”. Et puis il a testé sur un corpus de “vieilles” données de la NASA dont on ne savait pas si certains signaux pouvaient effectivement se référer à des planètes n’appartenant pas à notre système solaire mais toujours dans la Voie lactée, la galaxie à laquelle elle appartient. Lorsque les scientifiques recherchent ce type de planètes extrasolaires, ils cherchent des “trous” ou des courbures dans la lumière visible des étoiles qui pourraient indiquer le transit d’un corps céleste entre le télescope et l’étoile autour de laquelle ils orbitent. Le fait est que ces signaux pourraient être le résultat d’autres facteurs liés aux éléments cosmiques – peut-être un système stellaire composé de deux étoiles – ainsi qu’aux instruments eux-mêmes.

Le nouveau système développé par le département de physique et d’informatique de l’université de Warwick et l’Institut Alan Turing intervient dans ce passage délicat. Il a d’abord été “formé” sur deux grands ensembles de données collectées par la mission Kepler, aujourd’hui à la retraite, fermée en 2018, et par le télescope spatial homonyme lancé en 2009 précisément pour la recherche et la confirmation de planètes semblables à la Terre en orbite autour d’étoiles autres que le Soleil : il s’agissait déjà d’informations validées contenant des planètes confirmées et des faux positifs. Deux ensembles de données parfaits pour entraîner l’algorithme.

Puis, une fois prêt à fonctionner seul, le mécanisme a été mis au travail sur d’autres ensembles de données beaucoup plus incertains, tous à confirmer, toujours issus des mêmes observations accumulées par Kepler en près de dix ans de services honorifiques. Dans ce test, expliqué dans l’étude, il a attribué une forte probabilité à cinquante exoplanètes de taille extrêmement différente (il y en a certaines aussi grandes que la géante gazeuse Neptune ou plus petites que la Terre) et à de nombreux autres facteurs tels que la durée de leur orbite autour de leurs étoiles respectives, allant d’un jour à 200 jours terrestres. Le fait est que, guidés par l’intelligence artificielle, les experts peuvent désormais se concentrer sur l’observation, en donnant la priorité aux planètes identifiées par l’algorithme et en choisissant les télescopes et les informations les plus appropriés.

“Les précédentes techniques d’apprentissage machine avaient permis de classer les candidats – lit-on dans une note de l’université britannique – mais elles n’avaient jamais déterminé par elles-mêmes la probabilité qu’un candidat soit une vraie planète, ce qui est précisément une étape essentielle pour la validation”. En particulier, “nous espérons utiliser cette technique pour des échantillons plus larges de candidats recueillis par des missions actuelles et futures telles que Tess et Platon” a expliqué David Armstrong du département de physique. Il fait référence dans le premier cas au Transiting Exoplanet Survey Satellite, le télescope spatial lancé il y a deux ans dans le cadre du programme Explorer de la NASA qui a découvert 67 exoplanètes et identifié 2 174 candidats pour être précis. Parmi les premiers, il y a aussi une planète qui – comme Tatooine dans “Star Wars” – tourne autour de deux soleils : c’est celle qui tourne autour de l’étoile binaire TOI-1338b et qui se trouve dans la constellation de Painter à 1 300 années-lumière du système solaire. A noter que l’année dernière, Wwolf Cukier, 17 ans, était stagiaire d’été au Goddard Space Flight Center de la NASA dans le Maryland. Une quantité abominable, bien sûr, qu’un système comme celui des Britanniques promet de “filtrer” plus facilement.

Dans le second cas, l’expert fait plutôt référence à Platon, qui signifie “PLAnetary Transits and Oscillations of stars” et qui est un télescope spatial (en fait, un satellite équipé de 26 petits télescopes) conçu par l’Agence spatiale européenne précisément pour l’étude des planètes extrasolaires par la méthode du transit photométrique. Il ne devrait pas décoller avant les six prochaines années : il ouvrira la voie à d’autres missions telles qu’Ariel, en 2028, pour l’étude des atmosphères des planètes en orbite autour d’étoiles lointaines, et Athena, en 2030, le grand observatoire spatial à rayons X.

“En termes de validation des planètes, personne n’a jamais utilisé la technique de l’apprentissage machine – ajoute Armstrong – exploitée en classification, elle n’a jamais été appliquée aux calculs probabilistes, ce dont nous avons réellement besoin pour valider une planète. Au lieu de dire quels candidats pourraient être des planètes, nous pouvons maintenant dire quelle est la probabilité précise. Lorsqu’il y a une possibilité de faux positif inférieur à 1%, alors nous sommes face à une planète confirmée”. Un front d’intérêt absolu pour l’approche probabiliste de la machine statistique apprenant l’astronomique, qui doit garder à l’esprit la connaissance préalable et la quantification de l’incertitude des prévisions, a ajouté Theo Damoulas du département d’informatique et Turing Fellow de l’Institut Alan Turing.

Une fois construit et formé, en bref, l’algorithme passe par des quantités infinies de données collectées par les télescopes, analysant des milliers de planètes potentielles. Et selon les chercheurs, elle devrait devenir la méthode standard pour procéder dans ce domaine ou du moins être associée à d’autres analyses. “Près de 30 % des planètes connues ont été validées à l’aide d’une seule méthode, et ce n’est pas la voie idéale – a expliqué M. Armstrong – le développement de nouvelles méthodes ne convient que pour cela. Mais l’apprentissage machine nous permet aussi de le faire très rapidement et donc de donner plus rapidement la priorité aux candidats”.

Maxime Le Moine
Maxime Le Moine
Grand amateur et passionné de technologie, j'ai un faible pour les machines en tout genre. Je vous partage les nouveautés tech pour vous permettre de vous garder à jour dans l'évolution qui ne s'arrête jamais!

Hot news

A ne pas manquer