L'IA améliore la précision des télescopes laser pour un suivi précis des débris spatiaux

Un nouveau modèle de réseau neuronal améliore la précision des télescopes de télémétrie laser.

Cela permet aux scientifiques de localiser la position de débris plus petits en orbite terrestre, sans augmenter la sensibilité des télescopes.

Le problème des débris spatiaux

Les débris spatiaux sont des objets artificiels désactivés en orbite terrestre qui ne sont plus utiles. Ils sont générés lors d'activités spatiales, et proviennent principalement de l'étage final de fusées porteuses et de matériaux indésirables de vaisseaux spatiaux se désintégrant en orbite.

En 2019, il y avait environ 20 000 objets artificiels en orbite au-dessus de la Terre, dont 2 218 satellites opérationnels. Cependant, ce sont seulement les objets assez grands pour être tracés.

Plus de 130 millions de pièces de débris sont plus petites que 1 centimètre, environ 1 million de pièces font 1-10 centimètres, et plus de 30 000 pièces sont plus grandes que 10 centimètres. Elles sont toutes en orbite autour de la Terre et leur existence affecte sérieusement la sécurité des vaisseaux spatiaux.

Actuellement, il y a plus de 50 stations d'observation laser mondiales qui surveillent les débris spatiaux. Cependant, les suivre est une tâche extrêmement difficile : plus l'objet est petit, plus il est difficile à détecter et suivre.

Une nouvelle étude présente un modèle de réseau neuronal qui améliore la précision des télescopes laser, permettant aux scientifiques de localiser la position de débris plus petits.

Quelle précision ?

Pour localiser les débris orbitaux, les scientifiques utilisent une méthode appelée imagerie laser. Cela consiste à envoyer des lasers à haute énergie dans l'espace et à utiliser un télescope pour capter les signaux réfléchis par les débris en orbite. Ces signaux réfléchis sont ensuite utilisés pour évaluer la distance des débris. Le processus est similaire à la façon dont les chauves-souris utilisent l'écholocalisation pour traquer leurs proies.

Mais comme les débris plus petits ne reflètent pas beaucoup de lumière, il est difficile de les localiser précisément. Bien que les techniques précédentes aient amélioré la détection par télémétrie laser des débris, elles ne peuvent localiser un débris qu'à un niveau de 1 km.

La nouvelle méthode, en revanche, est capable de trouver un débris aussi petit que 1 mètre carré de taille à environ 1 500 km de distance.

Référence : Journal of Laser Applications | DOI:10.2351/1.5110748 | Wikipedia

Pour y parvenir, les chercheurs ont utilisé un réseau neuronal à rétropropagation, optimisé via deux algorithmes correcteurs : l'algorithme génétique et Levenberg-Marquardt.

Illustration des débris spatiaux vus depuis une orbite terrestre haute | Wikipedia

Le réseau neuronal a aidé les télescopes à stabiliser leurs capacités de pointage et à reconnaître les signaux faibles de petits morceaux de débris spatiaux. Tout cela sans augmenter la sensibilité des télescopes ni effectuer de mises à niveau matérielles.

De plus, les télescopes peuvent maintenant détecter les débris plus précisément dans des régions localisées de l'espace sans produire de nombreux faux positifs.

Tests

Les chercheurs ont testé leur méthode contre trois modèles standards : le modèle de montage, le modèle de paramètres de base et le modèle de fonctions harmoniques sphériques. Ils ont constaté que la précision du réseau neuronal est supérieure à ces trois modèles standards, et qu'il surmonte également les lacunes de vitesse de convergence lente.

Pour démontrer la capacité du réseau neuronal, les chercheurs ont utilisé des données d'observation de 95 étoiles pour résoudre le coefficient de l'algorithme à partir des 4 modèles. Ils ont évalué la précision de détection de 22 autres étoiles. Non seulement le nouvel algorithme s'est avéré le plus précis, mais il pouvait également être facilement utilisé avec une performance en temps réel décente.

L'équipe prévoit d'optimiser davantage le réseau neuronal pour repérer des débris encore plus petits.