Des chercheurs se concentrent sur l’IA pour trouver des exoplanètes

“L’une des nouveautés à ce sujet est l’analyse des environnements où les planètes se forment encore”, a déclaré Jason Terry, doctorant au département de physique et d’astronomie de l’UGA Franklin College of Arts and Sciences et auteur principal de l’étude. “L’apprentissage automatique a rarement été appliqué au type de données que nous utilisons auparavant, en particulier pour examiner des systèmes qui forment encore activement des planètes.”

La première exoplanète a été découverte en 1992, et bien qu’il en existe plus de 5 000, celles-ci sont parmi les plus faciles à trouver pour les scientifiques. Les exoplanètes au stade de la formation sont difficiles à voir pour deux raisons principales. Ils sont trop éloignés, souvent à des centaines d’années-lumière de la Terre, et les disques où ils se forment sont très épais, plus épais que la distance de la Terre au soleil. Les données suggèrent que les planètes ont tendance à se trouver au milieu de ces disques, véhiculant une signature de poussière et de gaz soulevés par la planète.

La recherche a montré que l’intelligence artificielle peut aider les scientifiques à surmonter ces difficultés.

“Il s’agit d’une preuve de concept très excitante”, a déclaré Cassandra Hall, professeure adjointe d’astrophysique, chercheuse principale du groupe de recherche sur la formation des exoplanètes et des planètes et co-auteur de l’étude. “La puissance ici est que nous avons utilisé exclusivement des données de télescope synthétiques générées par des simulations informatiques pour former cette IA, puis les avons appliquées à de vraies données de télescope. Cela n’a jamais été fait auparavant dans notre domaine et ouvre la voie à un déluge de découvertes comme Les données du télescope James Webb arrivent.”

Le télescope spatial James Webb, lancé par la NASA en 2021, a inauguré un nouveau niveau d’astronomie infrarouge, apportant de nouvelles images époustouflantes et des tonnes de données à analyser par les scientifiques. Ce n’est que la dernière itération de la quête de l’agence pour trouver des exoplanètes, dispersées de manière inégale à travers la galaxie. L’observatoire romain de Nancy Grace, un télescope de 2,4 mètres dont le lancement est prévu en 2027 et qui recherchera l’énergie noire et les exoplanètes, sera la prochaine extension majeure de la capacité – et de la fourniture d’informations et de données – à parcourir l’univers pour vie.

Le télescope Webb offre aux scientifiques la possibilité d’observer les systèmes exoplanétaires dans une résolution extrêmement lumineuse et élevée, les environnements en formation eux-mêmes étant un sujet de grand intérêt car ils déterminent le système solaire résultant.

“Le potentiel de bonnes données explose, c’est donc une période très excitante pour le domaine”, a déclaré Terry.

De nouveaux outils analytiques sont indispensables

Des outils analytiques de nouvelle génération sont nécessaires de toute urgence pour accueillir ces données de haute qualité, afin que les scientifiques puissent passer plus de temps sur des interprétations théoriques plutôt que de parcourir méticuleusement les données et d’essayer de trouver de minuscules petites signatures.

“Dans un sens, nous venons en quelque sorte de devenir une meilleure personne”, a déclaré Terry. “Dans une large mesure, la façon dont nous analysons ces données est que vous avez des dizaines, des centaines d’images pour un disque spécifique et vous regardez simplement et demandez” est-ce une agitation? puis exécutez une douzaine de simulations pour voir si c’est un remue-ménage et… c’est facile de les ignorer — ils sont vraiment minuscules, et cela dépend du nettoyage, et donc cette méthode est une, très rapide, et deux, sa précision obtient des planètes que les humains manqueraient.”

Terry dit que c’est ce que l’apprentissage automatique peut déjà accomplir – améliorer la capacité humaine à économiser du temps et de l’argent ainsi qu’à guider efficacement le temps scientifique, les investissements et les nouvelles propositions.

“Il reste, au sein de la science et en particulier de l’astronomie en général, un scepticisme à l’égard de l’apprentissage automatique et de l’IA, une critique valable de ce qu’il s’agit de cette boîte noire – où vous avez des centaines de millions de paramètres et d’une manière ou d’une autre vous obtenez une réponse. Mais nous pensons nous avons démontré assez fortement dans ce travail que l’apprentissage automatique est à la hauteur de la tâche. Vous pouvez discuter de l’interprétation. Mais dans ce cas, nous avons des résultats très concrets qui démontrent la puissance de cette méthode.

Les travaux de l’équipe de recherche visent à développer une base concrète pour de futures applications sur des données d’observation, démontrant l’efficacité de la méthode en utilisant des observations de simulation.