Découvrir des exoplanètes grâce à l’intelligence artificielle

    -     English  -  Deutsch
La méthode utilise une représentation des données où la présence d’une pla

La méthode utilise une représentation des données où la présence d’une planète (à droite) se perçoit comme une rivière vue du ciel (à gauche). L’image de droite représente le flux lumineux mesuré de l’étoile Kepler-36 avec le tracé des éclipses dûes à la planète Kepler-36 b. © UNIGE, Dave Hoefler

En mettant en oeuvre des techniques d’intelligence artificielle similaires à celles utilisées dans les voitures autonomes, une équipe de l’Université de Genève et de l’UniBE, en partenariat avec l’entreprise Disaitek, découvre une nouvelle méthode de détection d’exoplanètes.

La majorité des exoplanètes découvertes à ce jour l’ont été grâce à la méthode des transits. Cette technique se fonde sur une mini éclipse provoquée lorsqu’une planète passe devant son étoile. La baisse de luminosité constatée permet de déduire l’existence d’une planète et d’en estimer le diamètre, après que les observations aient été confirmées de manière périodique. Or, la théorie prédit que dans de nombreux systèmes planétaires, les interactions entre planètes altèrent cette périodicité et rendent leur détection impossible. C’est dans ce contexte qu’une équipe d’astronomes des universités de Genève (UNIGE), de Bern (UniBE) et du NCCR PlanetS, en collaboration avec l’entreprise Disaitek, a utilisé l’intelligence artificielle (IA) appliquée à la reconnaissance d’images. Ils et elles ont ainsi appris à une machine à prédire l’effet des interactions entre planètes, permettant de découvrir des exoplanètes impossibles à détecter jusqu’ici. Les outils développés, publiés dans la revue Astronomy and Astrophysics, pourraient être utilisés sur Terre, afin de débusquer des décharges et des dépôts de déchets illégaux.

La détection d’une planète par la méthode des transits est un long processus. Retrouver le signal induit par de petites planètes dans les données peut s’avérer complexe, voire impossible avec les techniques usuelles, dans le cas où les interactions entre planètes altèrent la périodicité de ce phénomène de transit. Pour contrer cette difficulté, il est nécessaire de développer des outils qui peuvent prendre en compte cet effet.

’C’est pourquoi nous avons songé à utiliser l’intelligence artificielle appliquée à la reconnaissance d’images, explique Adrien Leleu, chercheur au Département d’astronomie de la Faculté des sciences de l’Université de Genève et au NCCR PlanetS. Il est en effet possible d’apprendre à une machine, en utilisant un grand nombre d’exemples, à prendre en compte tous les paramètres et prédire l’effet des interactions entre planètes dans une représentation imagée de l’effet induit.’ Pour ce faire, les astronomes se sont associé-es à l’entreprise Disaitek par le biais de la Technology & Innovation Platform du NCCR.

Un réseau de neurones artificiels capables d’identifier les objets

’Le type d’IA employé dans ce projet est un réseau de neurones dont le but est de déterminer, pour chacun des pixels d’une image, l’objet qu’il représente’, précise Anthony Graveline, président de Disaitek. Utilisé dans le cadre d’un véhicule autonome, cet algorithme permet de repérer la route, le trottoir, les panneaux et les piétons perçus par la caméra. Dans le contexte de détection d’exoplanètes, le but est de déterminer, pour chaque mesure de luminosité de l’étoile, si l’éclipse d’une planète est observée. Le réseau de neurones prend sa décision en recoupant toutes les observations disponibles de cette étoile avec l’éventail de configurations vues durant son apprentissage.

’Dès les premières implémentations de la méthode, nous avons découvert deux exoplanètes - Kepler-1705b et Kepler-1705c - qui avaient été totalement manquées par les précédentes techniques, révèle Adrien Leleu. Les systèmes planétaires ainsi découverts sont une mine d’or pour nos connaissances sur les exoplanètes, et plus particulièrement sur les planètes de type terrestre qui sont généralement difficiles à caractériser.’ La méthode développée permet non seulement d’estimer le rayon des planètes, mais fournit aussi une information sur leur masse; et donc sur leur densité et leur composition. ’L’utilisation de l’IA, en particulier la technique de l’apprentissage profond, est de plus en plus répandue en astrophysique, que ce soit pour traiter des données d’observations comme dans cet article, ou pour analyser des résultats de gigantesques simulations numériques produisant des téraoctets de données. Ce que nous avons développé dans cette étude est un nouvel exemple du fantastique apport que ces techniques peuvent apporter dans notre domaine, et probablement dans tous les champs de recherche’, s’enthousiasme Yann Alibert, professeur à l’Université de Berne et officier scientifique du NCCR PlanetS.

Une technologie au service de l’observation de la Terre

Si cette technique s’avère efficace pour l’observation astronomique, elle peut se révéler tout aussi utile pour l’observation de la Terre et de son environnement. ’En développant cette technologie, nous nous sommes rapidement aperçus de son potentiel d’application à d’autres problèmes pour lesquels une faible quantité de données est disponible’, relève Grégory Châtel, responsable R&D chez Disaitek. à partir d’images satellites à très haute résolution, Disaitek utilise désormais cette IA pour traiter des problématiques environnementales, notamment la détection des dépôts sauvages de déchets et des décharges illégales. Ce fléau, en constante augmentation, ne trouve pas de réponse claire avec les moyens traditionnels.

Publication:

A. Leleu, G. Chatel, S. Udry, Y. Alibert, J.-B. Delisle, R. Mardling, Alleviating the transit timing variation bias in transit surveys. I. RIVERS: Method and detection of a pair of resonant super-Earths around Kepler-1705, Astronomy and Astrophysics
DOI: 10.1051/0004-6361/202141471

Recherche en astrophysique bernoise : parmi l’élite mondiale depuis le premier alunissage

Le 21 juillet 1969, Buzz Aldrin a été le deuxième homme à descendre du module lunaire, le premier à déployer la voile à vent solaire bernoise et a la planter dans le sol lunaire, avant même le drapeau américain. Le Solarwind Composition Experiment (SWC), planifié et évalué par Johannes Geiss et son équipe à l’institut de physique de l’Université de Berne, a été le premier moment fort de l’histoire de la recherche en astrophysique bernoise.

La recherche en astrophysique bernoise fait depuis lors partie de ce qui se fait de mieux au niveau mondial : l’Université de Berne participe régulièrement aux missions spatiales de grandes organisations spatiales comme l’ESA, la NASA, ROSCOSMOS ou la JAXA. Avec CHEOPS, l’Université de Berne se partage la responsabilité avec l’ESA pour toute la mission. En outre, les scientifiques bernois font partie de l’élite mondiale en ce qui concerne les modélisations et les simulations sur la naissance et au développement des planètes.

Le travail fructueux du département de recherche en astrophysique et planétologie (RAP) de l’Institut de physique de l’Université de Berne a été consolidé par la fondation d’un centre de compétences universitaire, le Center for Space and Habitability (CSH) . Le Fonds national suisse a en outre accordé à l’Université de Berne le financement du pôle de recherche national (PRN) PlanetS , qu’elle dirige avec l’Université de Genève.


This site uses cookies and analysis tools to improve the usability of the site. More information. |