Une équipe de l’Université de Berne et du Pôle de recherche national (PRN) PlanetS a développé un modèle d’apprentissage automatique qui prédit les systèmes planétaires potentiels contenant des planètes semblables à la Terre. Ce modèle pourrait accélérer considérablement la recherche future de planètes habitables dans l’univers et ainsi la révolutionner.
La recherche d’exoplanètes semblables à la Terre - des planètes en orbite autour d’autres étoiles que notre soleil - est un thème central de la recherche planétaire actuelle, car c’est là que l’on pense que la vie extraterrestre est la plus probable.
Des chercheurs de l’Université de Berne ont maintenant développé un modèle d’apprentissage automatique innovant qui identifie les systèmes planétaires qui pourraient potentiellement abriter des planètes semblables à la Terre. L’ensemble de l’équipe est ou était au moment de l’étude Dr Jeanne Davoult, première auteure, aujourd’hui postdoctorante au Centre aérospatial allemand (DLR) à Berlin, étudie les populations d’exoplanètes et a développé le modèle dans le cadre de sa thèse de doctorat au sein du département de recherche spatiale et de planétologie (WP) de l’Institut de physique de l’Université de Berne. Yann Alibert, co-directeur du Centre for Space and Habitability (CSH), et Romain Eltschinger, également doctorant au CSH, ont largement contribué à cette étude qui vient d’être publiée dans la revue Astronomy & Astrophysics.
Entraînement avec des données du célèbre modèle de Berne
Un modèle d’apprentissage automatique est un outil statistique qui est entraîné avec des données afin de reconnaître certains modèles et de faire des prédictions. Jeanne Davoult explique : ’Notre modèle est basé sur un algorithme que j’ai développé et qui a été entraîné pour détecter et classer les systèmes planétaires qui abritent des planètes semblables à la Terre’. Le modèle s’appuie sur des études antérieures pour déduire une corrélation entre la présence ou l’absence d’une planète semblable à la Terre et les caractéristiques de son système planétaire.
L’algorithme a été entraîné et testé à l’aide de données issues du "Bern Model of Planet Formation and Evolution". Le modèle de Berne permet de comprendre comment les planètes se sont formées, comment elles ont évolué et quels types de planètes se développent dans certaines conditions dans un disque protoplanétaire", explique Yann Alibert, co-auteur de l’étude.
Depuis 2003, le modèle bernois est continuellement développé à l’Université de Berne (voir aussi l’infobox ci-dessous). ’Le modèle bernois est l’un des rares modèles au monde à offrir une telle richesse de processus physiques interdépendants et à permettre la réalisation d’une étude comme celle-ci’, poursuit Alibert.
Précision de 99% du nouveau modèle
L’algorithme du nouveau modèle d’apprentissage automatique a été entraîné et testé à l’aide de données sur des systèmes planétaires synthétiques issus du modèle de Berne. ’Les résultats sont impressionnants : l’algorithme atteint des valeurs de précision allant jusqu’à 0,99, ce qui signifie que 99% des systèmes identifiés par le modèle d’apprentissage automatique ont au moins une planète semblable à la Terre’, explique Davoult.
Le modèle a ensuite été appliqué à des systèmes planétaires réellement observés. Le modèle a identifié 44 systèmes qui ont une forte probabilité d’abriter des planètes semblables à la Terre non découvertes. Une autre étude a confirmé la possibilité théorique que ces systèmes abritent une planète semblable à la Terre’, explique Davoult.
Recherche plus efficace de planètes habitables
Le co-auteur de l’étude, Romain Eltschinger, a participé au développement du modèle d’apprentissage automatique dans le cadre de son travail de master, de sorte qu’il puisse être utilisé dans un éventail de scénarios encore plus large. Il déclare : ’Ces résultats sont importants pour la communauté scientifique et en particulier pour les futures missions spatiales comme PLATO ou les futurs concepts de mission comme LIFE, qui seront consacrés à la découverte et à la caractérisation de petites planètes froides’.
L’utilisation de ce modèle d’apprentissage automatique pour une recherche plus ciblée de planètes semblables à la Terre pourrait minimiser les temps de recherche et maximiser le nombre de découvertes. C’est une étape importante dans la recherche de planètes présentant des conditions favorables à la vie et, en fin de compte, dans la recherche de la vie dans l’Univers’, conclut Alibert.
