Google AI découvre deux nouvelles exoplanètes dans des systèmes solaires lointains grâce au Deep Learning

• Google a utilisé Deep Neural Network pour analyser les données de Kepler. 
• Ils ont découvert deux nouvelles exoplanètes : Kepler-90i et Kepler-80g. 
• Le modèle qu'ils ont développé est précis à environ 96 % pour distinguer les planètes des non-planètes. 

Pendant de nombreux siècles, les gens ont observé les étoiles, remarqué certaines tendances et enregistré des observations. L’une des premières choses découvertes dans l’espace était les planètes, que les Grecs appelaient « vagabonds » ou « planētai » en raison de leurs mouvements irréguliers. Petit à petit, nous avons appris que notre système solaire héberge plusieurs planètes tournant autour du Soleil.

Avec l’aide des technologies modernes comme les appareils photo numériques, les vols spatiaux, les optiques des télescopes et les ordinateurs, nous pouvons étendre nos connaissances au-delà de notre propre système solaire et détecter/identifier des planètes situées à des milliers d’années-lumière de la Terre. On les appelle des exoplanètes – elles font partie d'un autre système solaire lointain dans l'espace.

Cependant, trouver des exoplanètes est une tâche extrêmement difficile. Contrairement à leurs étoiles hôtes, elles sont petites, froides et sombres. À l’heure actuelle, nous utilisons des techniques d’apprentissage automatique pour repérer avec précision les exoplanètes. L'une de ces techniques est utilisée par Google. Ils ont détecté deux extoplanètes, nommées Kepler 90i, en orbite autour d'une étoile naine jaune, Kepler 90, et Kepler-80g, tournant autour de Kepler 80. Voyons comment ils ont procédé.

Données utilisées

La principale méthode de recherche d’exoplanètes consiste à analyser une grande quantité de données capturées par le télescope spatial Kepler de la NASA à l’aide d’une analyse manuelle et d’un logiciel automatisé. En 4 ans, le télescope a observé environ 200 000 étoiles, capturant une image toutes les demi-heures. Seul instrument scientifique de Kepler, le photomètre surveille en permanence la luminosité de plus de 145 000 étoiles de la séquence principale dans un champ de vision fixe. Ces données sont envoyées sur Terre, puis examinées en profondeur pour identifier l'obscurcissement périodique des exoplanètes provoqué par la rotation autour de leur étoile hôte.

Tout cela génère environ 14 milliards de points de données, ce qui se traduit par environ 2 quadrillions d’orbites planétaires possibles. Même l’ordinateur le plus puissant met extrêmement longtemps à traiter ces énormes quantités de données. Afin de rendre ce processus plus rapide et plus efficace, Google a utilisé des outils et techniques de Deep Learning.

L'approche d'apprentissage automatique

L'apprentissage automatique est la forme d'intelligence artificielle qui apprend à l'ordinateur à reconnaître des modèles spécifiques. Il est particulièrement utile pour donner un sens à de grands volumes de données. Ici, l'idée est de permettre aux machines d'apprendre par formation et par exemples plutôt que de les programmer avec des règles particulières.

Crédit image :NASA

L'apprentissage profond, qui est un type d'apprentissage automatique, utilise des couches informatiques pour créer des fonctionnalités complexes et progressives utiles pour les problèmes de classification. Par exemple, un modèle de classification d'images approfondies peut d'abord reconnaître des caractéristiques de bord simples qui peuvent ensuite être utilisées pour détecter les coins et les courbes, jusqu'à ce que la couche de caractéristiques finale du modèle puisse distinguer les objets complexes.

Les réseaux de neurones profonds (type de modèle d'apprentissage profond) sont devenus l'état de l'art dans plusieurs tâches, notamment la classification d'images. La plupart du temps, ses performances sont supérieures à celles des modèles développés avec des fonctionnalités conçues à la main. Un réseau de neurones est entraîné pour minimiser une fonction de coût qui mesure la distance entre ses prédictions et les véritables étiquettes de l'ensemble d'entraînement.

L'équipe d'IA de Google a utilisé un ensemble de données de plus de 15 000 signaux Kepler pour créer un modèle TensorFlow permettant de distinguer les planètes des autres corps célestes. Pour ce faire, le système devait détecter et reconnaître le modèle réel de la planète par rapport aux modèles causés par d'autres corps comme les étoiles binaires et les taches stellaires.

Ils ont développé un réseau neuronal profond pour examiner automatiquement les événements de franchissement du seuil de Kepler (TCE – signaux périodiques détectés, qui pourraient être cohérents avec le transit de planètes). Le modèle utilise des courbes de lumière comme entrées et est formé sur un ensemble de TCE Kepler classés par l'homme.

Les vues d'entrée sont alimentées via des colonnes de convolution séparées – une méthode efficace dans les classifications d'images précédentes. Il est capable de distinguer les corps spatiaux avec une précision décente – les différences subtiles entre les exoplanètes en transit réelles et les faux positifs comme les artefacts d'instruments, les éclipses binaires et la variabilité stellaire.

Référence :Harvard.edu

Résultats

Lorsque le modèle a été testé sur des signaux, il a correctement distingué les signaux générés par les planètes et les autres non-planètes, avec une précision de 96 %. De plus, 98,8 % du temps, il a classé les signaux planétaires plausibles plus haut que les signaux faussement positifs.

Lire :La NASA va utiliser l'intelligence artificielle pour les réseaux de communication spatiale

Pour affiner la recherche, ils ont observé 670 étoiles qui possédaient déjà deux exoplanètes ou plus. Lors du traitement, ils ont découvert deux nouvelles exoplanètes – Kepler-90i et Kepler-80g. La planète Kepler 90i tourne autour de Kepler-90, une étoile connue auparavant pour héberger 7 planètes en transit. Alors que Kepler-80g fait partie d'une chaîne de 5 planètes autour de l'étoile Kepler-80, avec une période orbitale correspondant presque à la prédiction des relations de Laplace à 3 corps.

Près de 13 % plus gros que la Terre, Kepler-80g (la planète la plus extérieure de son système) a une période orbitale de 14,6 jours et 89,35 +0,47-0,98 degrés d'inclinaison.

Crédit image :blog Google

Kepler-90i est 34 % plus grande que la Terre avec une période orbitale de 14,45 jours. Elle se trouve à 2 545 années-lumière de la Terre, dans la constellation du Draco. Il est situé entre Kepler-90c (8,7 jours) et Kepler-90d (59,7 jours) avec une température de surface extrêmement chaude – 436 °C.

Quelle est la prochaine étape ?

En ce qui concerne les possibilités du réseau neuronal profond, il n’y a aucune limite. Sur 200 000 étoiles, le modèle permet d’en rechercher seulement 670. Il se peut que des centaines de milliers d’exoplanètes n’aient pas encore été découvertes dans les données de Kepler. Les nouvelles techniques telles que l'apprentissage profond aideront les astronomes et les physiciens à découvrir des choses qui sont hors de portée humaine.

Lire : L'intelligence artificielle de Google crée une IA qui bat le code humain

Ce modèle pourrait être modifié à l’avenir pour améliorer sa précision et diminuer les types connus de faux positifs. Par exemple, nous pouvons

• Augmentez l'ensemble d'entraînement en intégrant des données simulées ou des données non étiquetées (le modèle actuel n'utilise qu'environ 15 000 exemples étiquetés).
• Améliorer la routine d'engraissement pour réduire le nombre de signaux dus à la variabilité stellaire qui sont classés comme planètes probables.
• Ajoutez une certaine forme d'informations sur le centroïde dans la représentation d'entrée pour améliorer la capacité du système à classer les transits qui se produisent sur une étoile d'arrière-plan plutôt que sur l'étoile cible.
• Divisez la vue locale en plusieurs segments pour permettre au système d'analyser la cohérence des transits entre les différents segments de l'ensemble de données.