L'apprentissage en profondeur a trouvé deux exoplanètes que les astronomes humains ont manquées

Daniel Fabrycky | Nasa

La recherche de planètes en orbite autour d'autres étoiles a atteint une échelle industrielle. Les astronomes en ont découvert plus de 4 000, dont plus de la moitié grâce aux données du télescope spatial Kepler, un observatoire orbital conçu à cet effet.

Lancé en 2009, Kepler a observé un champ de vision fixe pendant de nombreux mois, à la recherche des minuscules changements périodiques de la luminosité des étoiles causés par les planètes se déplaçant devant elles.

Mais en 2012, la mission a rencontré des problèmes lorsque l'une des quatre roues de réaction du vaisseau spatial est tombée en panne. Ces roues stabilisent l'engin, lui permettant de pointer avec précision dans une direction spécifique. En 2013, une deuxième roue de réaction a échoué, laissant la mission en péril.

En guise de solution, les ingénieurs ont imaginé un moyen pour le vaisseau spatial paralysé de continuer à collecter des données avec moins de précision et plus de bruit. Ils ont appelé cette partie de la mission K2. Les astronomes ont continué à trouver de nouvelles exoplanètes dans les données K2, mais à un rythme beaucoup plus faible qu'auparavant.

Cela les a conduits à une possibilité intéressante. De toute évidence, les signatures d'exoplanètes doivent toujours être présentes mais ont été manquées à cause du bruit supplémentaire. Si quelqu'un pouvait trouver un moyen de supprimer systématiquement ce bruit et d'étudier les signaux résultants, alors les exoplanètes manquées pourraient être révélées.

Entrez Anne Dattilo et ses collègues de l'Université du Texas à Austin, qui ont créé un réseau neuronal d'apprentissage en profondeur appelé AstroNet-K2 qui peut effectuer cette analyse de données par lui-même. Les chercheurs disent que cela accélère considérablement le processus d'extraction des données K2 et a même repéré des exoplanètes que les astronomes expérimentés avaient manquées.

Le processus de découverte des exoplanètes comporte plusieurs étapes. Tout d'abord, les astronomes doivent extraire les courbes de lumière de chaque étoile, montrant sa luminosité au fil du temps. Ensuite, ils étudient chaque courbe pour voir comment elle évolue dans le temps.

Le réseau de neurones effectue exactement ce processus, puis filtre l'ensemble de données. Par exemple, parce que les exoplanètes sont minuscules par rapport à leur étoile parente, toute courbe de lumière avec une variation supérieure à 3 % est qualifiée de système d'étoiles binaires. La variation de lumière doit également être périodique pour indiquer une exoplanète, de sorte que les variations uniques peuvent également être ignorées.

De cette façon, le réseau de neurones filtre un grand pourcentage de faux positifs. AstroNet-K2 réussit très bien à classer les exoplanètes et les faux positifs, avec une précision de 98 % sur notre ensemble de test, disent Dattilo et co.

Lorsque l'équipe l'a mise au travail sur les données bruitées de K2, elle a immédiatement découvert deux exoplanètes. Entre décembre 2016 et mars 2017, Mars est passé dans le champ de vision de Kepler. La planète rouge est particulièrement brillante par rapport aux étoiles d'arrière-plan et introduit ainsi toutes sortes de lumière et de bruit diffusés, qui masquent les signatures des exoplanètes.

Mais alors que cela confondait les astronomes humains, AstroNet-K2 a rapidement repéré les nouvelles signatures d'exoplanètes. La première est une planète gonflée de la taille d'une super-Terre avec une enveloppe volatile en orbite autour d'une étoile semblable au soleil tous les 13 jours. Il a une température de surface d'environ 750 °C.

La seconde est une super-Terre rocheuse qui orbite également autour d'une étoile semblable au soleil mais avec une période de seulement trois jours. Il est donc beaucoup plus proche et plus chaud - environ 1 400 ° C, suffisamment chaud pour faire fondre l'aluminium.

Cette recherche a le potentiel d'automatiser une grande partie du travail impliqué dans la chasse aux exoplanètes. Un grand avantage est que la découverte basée sur la machine ne souffre pas des mêmes types de biais que les humains pourraient montrer.

Ainsi, AstroNet-K2 peut étudier différentes régions de la galaxie exactement de la même manière, en regardant des étoiles qui se sont formées dans différents environnements. Les résultats devraient permettre aux astronomes d'étudier comment les populations d'exoplanètes diffèrent dans ces zones.

AstroNet-K2 n'est pas parfait, bien sûr. Il ne repère que les signatures d'exoplanètes qu'il a été entraîné à reconnaître et ignore tout ce qui pourrait indiquer de nouvelles découvertes. Il a donc toujours besoin d'une surveillance humaine.

Les humains sont doués pour reconnaître les signaux inhabituels que les machines classeront à tort ou ne reconnaîtront pas comme intéressants, ce qui est crucial pour découvrir des facettes intéressantes et étranges de l'univers, disent Dattilo et co. Les astronomes n'ont donc pas besoin de commencer à chercher de nouveaux emplois pour l'instant.

Réf : arxiv.org/abs/1903.10507 : Identifier les exoplanètes avec Deep Learning II : deux nouvelles super-terres découvertes par un réseau de neurones dans les données K2

cacher