50 nouvelles planètes confirmées au-delà de notre système solaire grâce à l’apprentissage automatique
Pour la première fois, l’apprentissage automatique a permis de distinguer les vrais des « faux » candidats exoplanètes, ce qui a permis d’en ajouter 50.
Cinquante planètes potentielles ont été confirmées à l’aide d’un nouvel algorithme d’apprentissage automatique développé par des scientifiques de l’université de Warwick, selon une nouvelle étude publiée dans Monthly Notices of the Royal Astronomical Society.
L’apprentissage automatique confirme l’existence de 50 nouvelles planètes
Les astronomes ont utilisé un processus basé sur l’apprentissage automatique (un type d’intelligence artificielle) pour analyser un échantillon de planètes potentielles et discerner lesquelles étaient réelles ou « fausses », ou encore des faux positifs – pour la première fois.
Les résultats de l’équipe ont été présentés dans la nouvelle étude, dans laquelle ils ont également effectué la première comparaison à grande échelle de nouvelles techniques de validation de planètes. Parmi ces techniques figure le nouvel algorithme d’apprentissage automatique, qui sera utilisé pour confirmer statistiquement les futures découvertes d’exoplanètes.
En général, les études sur les exoplanètes recherchent, dans des quantités massives de données recueillies par des télescopes, des signes de passage de planètes entre la Terre et leur étoile hôte – dans un processus appelé « transit ». Lorsque cela se produit, l’intensité de la lumière de l’étoile baisse d’un degré que les télescopes captent, mais ces baisses peuvent également se produire dans des systèmes d’étoiles binaires, des interférences de fond ou même des erreurs de caméra. Prises ensemble, ces sources potentielles d’interférences nécessitent un moyen de distinguer les vraies des « fausses » indications d’exoplanètes.
Formation à l’apprentissage automatique pour rechercher des exoplanètes
C’est pourquoi les chercheurs des départements de physique et d’informatique de Warwick, en plus de l’Institut Alan Turing, ont construit un algorithme basé sur l’apprentissage automatique capable de différencier les vraies planètes des fausses dans de grands échantillons de mille candidats identifiés lors de missions de télescopes comme le TESS de la NASA et Kepler, selon phys.org.
La méthode d’apprentissage automatique a été formée pour identifier correctement les planètes réelles à l’aide de deux grands échantillons de planètes confirmées et de faux positifs provenant de la mission Kepler, aujourd’hui disparue. Les chercheurs ont ensuite utilisé l’algorithme sur un nouvel ensemble de données de candidats planétaires non confirmés recueillies via Kepler. Les résultats ont dévoilé 50 nouvelles planètes confirmées – la première validation issue de l’apprentissage automatique.
Les précédentes techniques d’apprentissage automatique classaient les planètes candidates de manière satisfaisante, mais ne permettaient jamais de distinguer la probabilité qu’un candidat soit en fait une planète sans aide – ce qui est le principal objectif de la validation des planètes.
Les 50 nouvelles planètes vont de la taille de Neptune au potentiel excitant des échelles terrestres, avec des orbites allant jusqu’à 200 jours et aussi peu qu’un seul jour. Maintenant qu’ils savent que les 50 planètes candidates ne sont pas des fausses, les astronomes peuvent aller de l’avant avec l’observation continue des exoplanètes nouvellement découvertes grâce à des télescopes engagés.
L’apprentissage automatique accélérera la validation des exoplanètes
Le professeur David Armstrong, du département de physique de l’université de Warwick, a déclaré : « L’algorithme que nous avons développé nous permet de faire passer 50 candidats au seuil de validation des planètes, en les transformant en véritables planètes. Nous espérons appliquer cette technique à de grands échantillons de candidats issus de missions actuelles et futures comme TESS et PLATO. En termes de validation des planètes, personne n’a encore utilisé de technique d’apprentissage automatique. »
« L’apprentissage automatique a été utilisé pour classer les candidats planétaires mais jamais dans un cadre probabiliste, ce qui est ce dont vous avez besoin pour valider réellement une planète », a-t-il ajouté. « Plutôt que de dire quels candidats sont plus susceptibles d’être des planètes, nous pouvons maintenant dire quelle est la probabilité statistique précise. Lorsqu’un candidat a moins de 1% de chances d’être un faux positif, il est considéré comme une planète validée. »
Alors qu’une nouvelle série de télescopes spatiaux entame des missions pour rechercher de nouveaux mondes susceptibles d’accueillir de nouvelles civilisations, nous pouvons être sûrs que de nombreuses planètes, si ce n’est la plupart, dont le bruit cosmique est confirmé comme étant plus qu’errant, obtiendront leur validation grâce à l’apprentissage automatique.
Source : Interesting Engineering – Traduit par Anguille sous roche
