L'IA de Google découvre deux nouvelles exoplanètes dans des systèmes solaires lointains grâce au deep learning

• Google a utilisé un réseau de neurones profonds pour analyser les données de Kepler.
• Ils ont trouvé deux nouvelles exoplanètes – Kepler-90i et Kepler-80g.
• Le modèle développé est précis à environ 96 % pour distinguer les planètes des non-planètes.

Depuis de nombreux siècles, les gens regardent les étoiles, remarquent des motifs et enregistrent des observations. L'une des premières choses découvertes dans l'espace étaient les planètes, que les Grecs appelaient « vagabondes » ou « planētai » pour leurs mouvements irréguliers. Progressivement, nous avons appris que notre système solaire abrite plusieurs planètes tournant autour du Soleil.

Grâce aux technologies modernes comme les caméras numériques, les vols spatiaux, l'optique des télescopes et les ordinateurs, nous pouvons étendre nos connaissances au-delà de notre propre système solaire et détecter/identifier des planètes à des milliers d'années-lumière de la Terre. On les appelle exoplanètes – faisant partie d'un autre système solaire loin dans l'espace.

Cependant, trouver des exoplanètes est une tâche extrêmement difficile. Contrairement à leurs étoiles hôtes, elles sont petites, froides et sombres. Actuellement, nous utilisons des techniques d'apprentissage automatique pour repérer avec précision les exoplanètes. L'une de ces techniques est utilisée par Google, qui a détecté deux exoplanètes, nommées Kepler 90i, orbitant autour d'une naine jaune Kepler 90, et Kepler-80g tournant autour de Kepler 80. Voyons comment ils ont fait.

Données utilisées

La méthode principale pour rechercher des exoplanètes consiste à analyser une grande quantité de données capturées par le télescope spatial Kepler de la NASA, en utilisant à la fois l'analyse manuelle et des logiciels automatisés. En 4 ans, le télescope a observé environ 200 000 étoiles, capturant une image toutes les demi-heures. L'unique instrument scientifique de Kepler, le photomètre, surveille en continu la luminosité de plus de 145 000 étoiles de séquence principale dans un champ de vision fixe. Ces données sont envoyées sur Terre, puis examinées en profondeur pour identifier l'assombrissement périodique des exoplanètes causé par leur révolution 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 un temps extrêmement long à traiter ces quantités massives de données. Afin de rendre ce processus plus rapide et plus efficace, Google a utilisé des outils et techniques d'apprentissage profond.

L'approche par apprentissage automatique

L'apprentissage automatique est une forme d'intelligence artificielle qui apprend à l'ordinateur à reconnaître des motifs spécifiques. Il est particulièrement utile pour donner du sens à de grands volumes de données. L'idée est de permettre aux machines d'apprendre par l'entraînement et des 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 computationnelles pour créer des caractéristiques progressivement complexes utiles pour les problèmes de classification. Par exemple, un modèle de classification d'images profond peut d'abord reconnaître des caractéristiques de bord simples qui peuvent être utilisées pour détecter des coins et des courbes, jusqu'à la couche de caractéristiques finale du modèle qui peut distinguer des objets complexes.

Les réseaux de neurones profonds (type de modèle d'apprentissage profond) sont devenus l'état de l'art dans plusieurs tâches, y compris la classification d'images. La plupart du temps, ils surpassent les modèles développés avec des caractéristiques conçues manuellement. Un réseau de neurones est entraîné pour minimiser une fonction de coût qui mesure à quel point ses prédictions s'éloignent des vraies étiquettes de l'ensemble d'entraînement.

L'équipe IA de Google a utilisé un ensemble de données de plus de 15 000 signaux de 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 motif réel d'une planète par rapport aux motifs causés par d'autres corps comme les étoiles binaires et les taches stellaires.

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

Les vues d'entrée sont alimentées via des colonnes de convolution séparées – une méthode réussie dans les classifications d'images précédentes. Il est capable de distinguer les corps spatiaux avec une bonne précision – les différences subtiles entre une exoplanète en transit réelle et de faux positifs comme les artefacts instrumentaux, les binaires éclipsantes 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 faux positifs.

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

Pour affiner la recherche, ils ont observé 670 étoiles qui ont déjà deux ou plus d'exoplanètes. En traitant, ils ont trouvé deux nouvelles exoplanètes – Kepler-90i et Kepler-80g. La planète Kepler 90i tourne autour de Kepler-90, une étoile connue pour abriter 7 planètes en transit. Tandis 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 par les relations de Laplace à 3 corps.

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

Crédit image : blog Google

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

Prochaines étapes

En ce qui concerne les possibilités du réseau de neurones profond, le ciel est la limite. Sur 200 000 étoiles, le modèle a été utilisé pour n'en rechercher que 670. Il peut y avoir des centaines de milliers d'exoplanètes encore non découvertes dans les données de Kepler. De nouvelles techniques comme l'apprentissage profond aideront les astronomes et les physiciens à découvrir des choses qui dépassent la portée humaine.

À 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 :

• Augmenter l'ensemble d'entraînement en incorporant des données simulées ou non étiquetées (le modèle actuel utilise seulement environ 15 000 exemples étiquetés).
• Améliorer la routine d'élagage pour réduire le nombre de signaux dus à la variabilité stellaire classés comme planètes probables.
• Ajouter une forme d'information de centroïde dans la représentation d'entrée pour améliorer la capacité du système à classifier les transits qui se produisent sur une étoile de fond plutôt que sur l'étoile cible.
• Diviser la vue locale en plusieurs segments pour permettre au système d'analyser la cohérence des transits entre différents segments de l'ensemble de données.