Une méthode de l’intelligence artificielle permet de découvrir 301 nouvelles planètes
ExoMiner, un nouveau réseau neuronal profond (un réseau de neurones artificiels) de la NASA qui exploite le superordinateur Pléiades, a récemment aidé des scientifiques à ajouter 301 nouvelles exoplanètes au nombre total de 4 569.
Image d’entête : représentation artistique du système planétaire K2-138, qui a été découvert par des scientifiques citoyens en 2017 grâce aux données du télescope spatial Kepler. Cinq planètes ont été initialement détectées dans le système. En 2018, des scientifiques utilisant le télescope spatial Spitzer ont trouvé des preuves de la présence d’une sixième planète dans le système. (NASA/JPL-Caltech/R. Hurt (IPAC))
Les réseaux neuronaux profonds, tels qu’ExoMiner, sont des méthodes d’apprentissage automatique qui apprennent une tâche à partir d’un nombre suffisant de données. Dans le cas d’ExoMiner, il peut distinguer les exoplanètes réelles des faux positifs en apprenant des exoplanètes déjà confirmées. Il a été conçu sur la base de divers tests et propriétés utilisés dans la confirmation de nouvelles exoplanètes.
Le transit, une méthode de détection des planètes lorsqu’elles passent devant leur étoile, en diminuant la luminosité de cette dernière. (NASA)
Selon la NASA, ExoMiner aide les scientifiques à passer au peigne fin les données et à déterminer quels corps cosmiques sont des planètes et lesquels ne le sont pas. Les données recueillies par la NASA à l’aide de la sonde Kepler et de sa mission K2 ont permis d’entraîner le nouveau réseau neuronal profond à trouver, parmi les milliers d’étoiles situées dans son champ de vision, celles qui pourraient potentiellement abriter plusieurs exoplanètes.
Selon Jon Jenkins, spécialiste des exoplanètes au centre de recherche Ames de la NASA, ExoMiner n’est pas une boîte noire, contrairement à d’autres programmes d’apprentissage automatique de détection d’exoplanètes. Il peut facilement expliquer quelles caractéristiques de ses données l’ont amené à rejeter ou à confirmer une planète.
Hamed Valizadegan, chef de projet d’ExoMiner et responsable de l’apprentissage automatique à l’Universities Space Research Association (Etats-Unis), a ajouté que lorsqu’ExoMiner affirme qu’un objet est une planète, il est certain qu’il s’agit bien d’une planète. De plus, le nouveau réseau neuronal profond est très précis et plus fiable que les programmes d’apprentissage automatique existants et que les experts humains qu’il est censé imiter, en raison des biais que les humains ont lorsqu’ils évaluent des objets.
Selon Jon Jenkins :
Ces 301 découvertes nous aident à mieux comprendre les planètes et les systèmes solaires au-delà du nôtre, et ce qui rend le nôtre si unique.
Représentations d’exoplanètes autour de leur étoile. (NASA)
Pour les scientifiques de l’Universities Space Research Association, une exoplanète confirmée présente des caractéristiques qui ne peuvent être expliquées que par une planète après avoir été soumise à différentes techniques d’observation. D’autre part, les scientifiques utilisent des statistiques pour déterminer la probabilité ou l’improbabilité qu’il s’agisse d’une planète en fonction des données avant qu’elle ne devienne une exoplanète validée.
Dans leur étude publiée cette semaine (lien plus bas), les chercheurs expliquent qu’ExoMiner a validé 301 exoplanètes en utilisant les données existantes de planètes possibles ou candidates dans les archives de Kepler.
Miguel Saragoca Martinho, l’ingénieur en chef d’ExoMiner, a déclaré que la conception modulaire du réseau neuronal profond leur a permis d’expliquer pourquoi une planète candidate est une exoplanète ou un faux positif.
En outre, les chercheurs démontrent dans leur étude comment ExoMiner est plus précis pour éliminer les imposteurs ou les faux positifs et révéler les caractéristiques authentiques des planètes en orbite autour de lointaines étoiles. Ils estiment qu’ExoMiner aura d’autres occasions de prouver ses capacités avec les données provenant du satellite TESS (Transiting Exoplanet Survey Satellite) de la NASA et de l’observatoire spatial PLATO (PLAnetary Transits and Oscillations of stars) de l’ESA, moyennant quelques ajustements.
L’étude publiée dans l’Astrophysical Journal : ExoMiner:A Highly Accurate and Explainable Deep Learning Classifier that Validates 301 New Exoplanets et présentée sur le site du Jet Propulsion Laboratory de la NASA : New Deep Learning Method Adds 301 Planets to Kepler’s Total Count et sur le site de l’Universities Space Research Association : Deep Neural Networks Find 301 More Planets Increasing Kepler’s Total Count.