This artist conception illustrates Kepler-22b, a planet known to comfortably circle in the habitable zone of a sun-like star. Original from NASA. Digitally enhanced by rawpixel.

Kepler : un algorithme Machine Learning découvre 301 exoplanètes

En analysant les données collectées par le télescope Kepler, l’algorithme de Machine Learning ExoMiner a permis de découvrir 301 exoplanètes. Une preuve supplémentaire du potentiel de l’IA pour la conquête spatiale.

L’intelligence artificielle, le Machine Learning et le Deep Learning ouvrent de nouvelles possibilités pour la science, et notamment l’astronomie.

À l’heure actuelle, le Machine Learning est déjà utilisé pour la découverte de planètes extrasolaires aussi appelées exoplanètes. En effet, les algorithmes ML permettant de distinguer les signaux faibles des  » bruits  » d’arrière-plan. Au fil des prochaines années, l’IA va prendre une importance majeure pour l’astronomie.

Prenons pour exemple le télescope spatial Kepler, en activité depuis près d’une décennie, auquel on doit la découverte de 2879 exoplanètes sur un total de 4575 jusqu’à présent.

En analysant les données collectées par Kepler à l’aide d’un nouveau réseau de neurones deep learning appelé ExoMiner, une équipe de chercheur du Ames Research Center de la NASA a pu découvrir 301 signaux planétaires supplémentaires et les ajouter au recensement.

Ces nouvelles découvertes ont été présentées dans un article publié dans l’Astrophysical Journal, en même temps que l’algorithme ExoMiner.

Le projet a été mené par l’équipe de Hamed Valizadegan, manager Machine Learning à l’USRA (Universities Space Research Association). Cette équipe était constituée de chercheurs de l’USRA, du SETI Institue et de différentes universités du monde entier.

L’algorithme ExoMiner analyse les données du télescope Kepler

L’étude nous apprend que les 301 planètes confirmées par l’algorithme ont été détectées à l’origine par le pipeline du Kepler Science Operations Center. Elles étaient considérées comme des candidats au statut de planètes par le Kepler Science Office, mais n’étaient pas encore confirmées.

Il était jusqu’alors impossible de vérifier la nature de ces signaux potentiels. C’est l’algorithme ExoMiner qui a permis de franchir le cap.

Comme tous les réseaux de neurones, ExoMiner a été entraîné sur des données existantes pour apprendre à reconnaître et identifier les exoplanètes. En l’occurrence, les chercheurs ont utilisé différents tests et propriétés déjà exploités par les experts pour confirmer la présence d’exoplanètes.

Ces données ont été combinées avec le superordinateur Pléiades de la NASA pour apprendre à ExoMiner à distinguer les exoplanètes des différents types de faux positifs.

ExoMiner s’affranchit des biais humains

Désormais, ExoMiner est plus précis et cohérent dans l’élimination des faux positifs et l’identification des signatures de planètes que les autres classificateurs déjà existants et les experts humains.

Pour cause, les algorithmes déjà existants reposent sur un étiquetage des données réalisé par l’humain. Or, cette approche ne permet pas de s’affranchir des biais de la perception humaine.

De son côté, ExoMiner a été entraîné à partir des données Kepler et se libère de ces biais. En le paramétrant, il sera possible de transférer son apprentissage à d’autres missions dont la nouvelle mission TESS (Transiting Explanet Survey Satellite).

Machine Learning et Transit Photometry

À l’origine, ExoMiner fut conçu spécialement pour accompagner les experts dans l’exploration des données collectées pendant les campagnes Kepler et K2. En effet, Kepler et TESS reposent sur la surveillance de milliers d’étoiles à la recherche de signes de baisse périodique de luminosité.

Ce phénomène peut être causé par le passage d’exoplanètes devant les étoiles en question. La technique, appelée  » Transit Method  » ou  » Transit Photometry «  est la plus efficace jusqu’à présent. Parmi les exoplanètes déjà découvertes, 75% l’ont été grâce à cette approche.

Néanmoins, cette méthode présente aussi un risque élevé de faux positifs. Le taux peut atteindre jusqu’à 40% pour les systèmes à planète unique. De plus, elle n’est efficace que pour environ 10% des systèmes solaires puisque la transition doit se dérouler face à l’observateur pour être visible.

La meilleure manière de contourner cette limite est de surveiller des milliers d’étoiles dans un champ unique. La difficulté devient alors de parcourir les immenses volumes de données, et c’est la raison pour laquelle l’automatisation par le Machine Learning est une véritable révolution.

Une avancée majeure pour l’astronomie

Comme l’explique le scientifique Jon Jenkins de la NASA, l’avantage majeur d’ExoMiner est qu’il ne fonctionne pas en  » boîte noire « . Il permet aussi de présenter aux équipes scientifiques comment il est parvenu à ses conclusions.

Les chercheurs peuvent très facilement savoir quels éléments dans les données on conduit l’algorithme à confirmer la nature d’une planète. Par conséquent, les 301 exoplanètes découvertes par ExoMiner vont permettre de mieux comprendre les planètes et systèmes solaires et ce qui rend le nôtre unique.

Malheureusement, aucune des planètes découvertes par ExoMiner ne semble similaire à la Terre. Leur composition n’est pas rocheuse, et elles n’orbitent pas au sein de la  » zone habitable  » de leurs planètes parentes.

Néanmoins, elles présentent des caractéristiques en commun avec les exoplanètes confirmées dans notre voisinage galactique. Elles peuvent donc être ajoutées au recensement.

Dans le futur, ExoMiner et d’autres techniques de Machine Learning pourront se révéler très utile pour les missions reposant sur la Transit Photometry. Outre la mission TESS qui prendra fin en septembre 2022, on peut citer la mission PLATO (Planetary Transit and Oscillations of stars) de l’ESA, et la mission Nancy Grace Roman Space Telescope (RST) de la NASA respectivement prévues pour 2026 et 2027.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée.

Pin It on Pinterest