50 exoplanètes identifiées grâce à une IA

Au courant du mois d’août, plus de 4 300 exoplanètes (présentes dans environ 3 200 systèmes planétaires) ont déjà été trouvées dans l’univers. En tout cas, leur traque est loin d’être terminée. Cette trouvaille représente une progression technologique majeure dans le domaine de l’astronomie. En se servant de l’IA, des experts des départements de physique et d’informatique de l’Université de Warwick (située à Coventry en Angleterre) ont réussi une véritable prouesse : l’identification d’environ cinquante nouvelles planètes. Les résultats de ces recherches sont apparus, durant le mois d’août, dans les avis de la Royal Astronomical Society.

Quand les experts effectuent de la recherche d’exoplanètes (pour rappel, il s’agit de corps célestes orbitant autour d’autres soleils que le nôtre), ils se servent de la technique du transit. Pour résumer, ils essaient de trouver des diminutions de luminosité stellaire de moindre intensité mais régulières. Ce sont des genres de « creux » de lumière offrant une preuve du passage récurrent d’une planète devant son étoile. Or, il faut être prudent, car ces derniers peuvent également être engendrés à cause d’interférences de fond, voire même des erreurs liées au téléscope.

Parvenir à trouver le vrai et le faux

Voici l’aspect où l’IA parvient à faire la différence. En effet, l’algorithme utilisée a été conçue avec de vieilles informations recueillies grâce au télescope spatial Kepler, dont se servait la NASA. Désormais, ce dernier n’est plus en fonctionnement. Avec la méthode du machine learning (il s’agit de l’apprentissage automatique de la machine), la technologie est parvenue à faire le distinguo, et cela très précisément, entre les vraies planètes et les « fausses ».

Parmi ces milliers d’exoplanètes, environ cinquante ont été validées. Avec ces importantes révélations, les astronomes peuvent désormais classifier ces exoplanètes, pour une analyse plus poussée. Il faut savoir que ces dernières auraient une taille allant de Neptune à des dimensions plus petites que celles de notre planète. Certaines orbitent autour de leur soleil en presque 7 mois, d’autres en une petite journée, au même titre que les Jupiters chauds à courte période (ayant une période orbitale en deçà d’une journée).

Exoplanètes trouvées avec l’IA : des milliers de candidates

Désormais, les experts souhaitent se servir de l’algorithme par rapport à d’autres échantillons, comme par exemple ceux ayant été recueillis par la NASA avec le petit télescope spatial Transiting Exoplanet Survey Satellite (TESS). Il s’agit du successeur, comme dit un peu plus haut, du renommé Kepler. En cartographiant près de trois quarts du ciel, le télescope TESS est parvenu à l’identification de 66 nouvelles exoplanètes. Parmi ces dernières, une ayant les dimensions de notre planète pourrait être habitable, mais aussi une autre en orbite autour de deux soleils (au même titre que la célèbre Tatooine dans la saga Star Wars).

À côté de cela, TESS a aussi identifié environ 2 100 exoplanètes potentielles. L’intelligence artificielle pourrait par conséquent effectuer la validation de milliers de candidats invisibles en seulement quelques secondes, rédigent les experts dans leurs écrits. Et comme l’IA utilise l’apprentissage automatique, elle pourra devenir de plus en plus performante au fil de ses trouvailles.

Environ 30 % des planètes, dont on a actuellement connaissance, ont été validées en utilisant une unique technique. Or, cette méthode est loin d’être idéale. Ainsi, pour cette seule raison, l’utilisation de nouvelles options de validation est souhaitable.

Une première avec le machine learning

Comme le dit le Dr David Armstrong de l’Université de Warwick à Coventry en Angleterre, c’est une première. Même si l’intelligence artificielle a déjà été utilisée afin de comprendre l’origine des astres, on ne s’était jamais servi de méthode de machine learning dans le but de valider l’existence d’une planète.

Cette méthode possède le point fort d’être plus rapide que celles qui existent déjà, et offre aussi l’avantage de l’automatisation du processus de confirmation. À part cela, le machine learning donne la possibilité à l’algorithme d’être nettement plus performant lors de chaque découverte.