Un Algorithme De Machine Learning A Découvert 50 Exoplanètes

Un nouvel algorithme de machine learning a confirmé l’existence de 50 exoplanètes, jusqu’alors inconnues, grâce à des données collectées par le télescope Kepler pour la NASA lors d’une mission sans précédent.

Bien que les algorithmes soient utilisés depuis longtemps pour passer au peigne fin les données provenant des télescopes, c’est la première fois que les astronomes utilisent un algorithme basé sur le machine learning.

On compte actuellement 4 201 exoplanètes confirmées, mais des milliards sont sans doute encore à découvrir simplement dans la Voie lactée. Certaines se cachent parmi des données recueillies par la NASA il y a des années, comme c’est le cas pour cette nouvelle découverte.

Sans aucune intervention humaine, l’algorithme créé à l’université de Warwick, au Royaume-Uni, a ainsi pu séparer les vraies planètes des fausses dans un large échantillon de milliers de planètes candidates.

 

Qu’est-ce que le machine learning ? 

Le machine learning est une forme d’intelligence artificielle. Il consiste à effectuer des tâches répétitives, principalement dans l’objectif de former à ordinateur pour lui apprendre à reconnaître des schémas et à classer des données sans aucune intervention humaine.

L’exemple souvent donné est celui des photographies de chats et de chiens. L’expérience consiste à donner à un programme informatique des millions d’images classées comme étant des photos de chats ou de chiens, et le programme apprend à les identifier automatiquement. Il crée en réalité un réseau neuronal. 

 

Comment le machine learning a-t-il été utilisé ? 

Dans ce cas, l’algorithme a été formé pour reconnaître des planètes réelles à l’aide de deux grands échantillons de planètes confirmées et de « faux positifs » (soit des fausses planètes) provenant de la mission Kepler de la NASA, aujourd’hui terminée.

Dr David Armstrong, du département de physique de l’université de Warwick et auteur principal de l’étude, explique : « L’algorithme que nous avons développé nous permet de faire passer cinquante candidats au seuil de validation des planètes, en les transformant en véritables planètes. Nous espérons appliquer cette technique à de grands échantillons de candidats parmi les missions actuelles et futures, comme TESS et PLATO ».

Le nouvel algorithme de machine learning en question a été conçu par des chercheurs des départements de physique et d’informatique de l’Université de Warwick, ainsi que par l’Institut Alan Turing. Leurs résultats ont été publiés mardi dans la revue scientifique Monthly Notices of the Royal Astronomical Society. 

David Armstrong poursuit : « En termes de validation des planètes, ce sera la première fois que le machine learning aura été utilisé. Il a permis de classer les planètes candidates, mais jamais dans un cadre probabiliste, et c’est de ça dont nous avons besoin pour véritablement valider une planète ».

« Plutôt que de dire quels candidats sont plus susceptibles d’être des planètes, nous pouvons maintenant dire quelle est la probabilité statistique précise. Lorsqu’il y a moins de 1 % de chances qu’une planète candidate soit un faux positif, elle est considérée comme une planète validée ».

Mais cette méthode d’astronomie statistique soulève une grande question : L’astronomie moderne a-t-elle besoin des humains ?

La réponse est oui, bien entendu, mais notre représentation fantasmée des astronomes qui seraient tous des universitaires courageux et résistants, qui se rendent au sommet des montagnes pour faire fonctionner de grands télescopes, doit évoluer.

L’astronomie moderne s’intéresse de plus en plus au big data. Cela implique donc que les astronomes modernes sont tout aussi susceptibles d’être des spécialistes des données, qui conçoivent de nouveaux algorithmes puissants et de nouvelles techniques de pointe pour le machine learning, que des experts du cosmos.

Aujourd’hui, faire des découvertes à partir de vastes ensembles de données est devenu une préoccupation majeure de l’astronomie moderne, même si l’ingéniosité humaine reste au cœur même de l’astronomie. 

Pourquoi le machine learning est-il si important en astronomie ?

Il semblerait que ce nouvel outil soit plus rapide que les techniques précédentes, et qu’il puisse être à la fois automatisé et amélioré grâce à une formation complémentaire.

Cela a son importance, car les relevés d’exoplanètes produisent d’énormes quantités de données à partir de télescopes de surveillance du ciel, et ces données peuvent contenir des signes de passage de planètes entre le télescope et l’étoile observée. C’est ce qu’on appelle le transit (une sorte d’éclipse) qui provoque une très légère baisse de la lumière provenant de l’étoile.

Un tel transit ne peut être détecté que si la ligne de visée du télescope est bien visible (s’il observe un système stellaire particulier), mais il existe tellement de systèmes stellaires différents que cela se produit fréquemment. 

Par ailleurs, en plus de prouver l’existence d’une planète, une baisse de la courbe de lumière d’une étoile peut également signifier :

• qu’une autre étoile passe devant elle
• qu’un autre objet provoque une interférence
• un problème technique avec la caméra du télescope.

Les trois points précédents constituent les faux positifs ou « fausses planètes » que les astronomes doivent par la suite éliminer. 

À présente, puisque les astronomes savent que ces 50 planètes sont réelles, ils peuvent entraîner des télescopes pour les observer et extraire plus de données.

À quoi ressemblent les 50 nouvelles planètes ?

Les 50 planètes trouvées grâce à cette nouvelle technique couvrent toute la gamme des planètes : certaines sont plus petites que la Terre et probablement rocheuses, certaines sont géantes et gazeuses et font sans doute la taille de Neptune. Leurs orbites varient de 200 à 1 jour. 

David Armstrong précise : « Près de 30 % des planètes connues à ce jour ont été validées par une seule méthode, ce qui n’est pas idéal. C’est pour cette raison que le développement de nouvelles méthodes de validation est souhaitable ».

« Le machine learning nous permet par ailleurs d’effectuer cette validation très rapidement et de prioriser les candidats bien plus tôt ».

 

Article traduit de Forbes US – Auteur : Jamie Carter

 

<<< À lire également : Une Nouvelle Planète Habitable Découverte Par La NASA >>>