L’apprentissage automatique illumine la voûte céleste: repérer de nouveaux objets dans le cosmos
Nées de la fragmentation et de l’effondrement gravitationnel de nuages moléculaires, les étoiles se forment en tant qu’amas d’objets célestes partageant une connexion cosmique. Cela soulève des questions intéressantes. Comment la masse est-elle répartie au sein de ces amas? Les étoiles massives coexistent-elles en nombre égal avec leurs homologues de faible masse? Et qu’en est-il des énigmatiques naines brunes, ces minuscules entités cosmiques qui n’ont pas la taille nécessaire pour déclencher la fusion de l’hydrogène en leur cœur? Pour résoudre ces énigmes cosmiques, il est essentiel de compter les étoiles au sein d’un amas stellaire. Cependant, les nombreuses étoiles qui s’entremêlent à l’arrière-plan et devant les représentations astronomiques de ces amas stellaires entravent cet effort. En outre, la mission spatiale Gaia, bien que précieuse, ne peut pas détecter les objets les plus ténus des amas (naines brunes), et sa détection de la lumière visible ne parvient pas non plus à pénétrer la poussière qui recouvre les jeunes amas stellaires.
Surmonter les défis grâce à l’apprentissage automatique
C’est là que le projet COSMIC-DANCE, financé par l’UE, est intervenu. «Mesurer le mouvement des étoiles dans le ciel est une tâche complexe, leurs mouvements minuscules étant comparables à la taille angulaire d’une pièce de monnaie au sommet de la Tour Eiffel vue de New York», note Hervé Bouy, coordinateur du projet. «Au lieu d’attendre des décennies que les caméras terrestres détectent ces mouvements, nous avons choisi d’utiliser la richesse des images disponibles dans les archives astronomiques.» En s’appuyant sur l’apprentissage automatique dès le départ, l’équipe a entrepris la tâche ardue de traiter des dizaines de milliers d’images astronomiques représentant plusieurs téraoctets de données brutes. Pour compliquer les choses, ces images contenaient souvent divers défauts tels que des pixels morts ou saturés, des impacts de rayons cosmiques et des traînées de satellite. Compte tenu de la taille de l’ensemble de données, l’équipe a entraîné un réseau neuronal convolutif (un type de modèle d’intelligence artificielle spécialisé dans la reconnaissance et la compréhension des modèles visuels) à détecter les défauts d’image de manière non supervisée. «Nous avons entraîné le réseau à rechercher des défauts dans des images astronomiques plutôt que des tâches artificielles courantes telles que l’identification de chats ou de personnes sur Internet.» En conséquence, l’équipe est parvenue à identifier tous les pixels ou images problématiques, en extrayant la valeur maximale de l’ensemble des données. Mesurer le mouvement des étoiles n’était que le premier défi. «Après avoir mesuré le mouvement, la luminosité et la couleur de dizaines de millions d’étoiles dans nos images, nous avons dû identifier les quelques milliers de membres de l’amas stellaire parmi des dizaines de millions d’étoiles non apparentées. Nous avons développé de nouvelles méthodes basées sur l’apprentissage automatique et les statistiques bayésiennes pour identifier avec précision tous les objets de notre ensemble de données multidimensionnelles», ajoute Hervé Bouy.
De mystérieux corps célestes errant tels des vagabonds
L’un des résultats les plus passionnants du projet a été la découverte de 70 à 170 planètes flottant librement dans l’espace. Ces objets ont la masse d’une planète mais ne sont liés à aucune étoile: ils se déplacent librement dans la galaxie. Leur existence est connue depuis la fin des années 1990 grâce à des détections indirectes par microlentille, mais des images directes ont été obtenues que pour une poignée d’entre elles. Leur nombre exact dans un groupe donné était également largement inconnu. «Pour la première fois, nous avons identifié en toute sécurité un large échantillon de planètes flottant librement dans une région de formation d’étoiles. Cette découverte présente des implications importantes pour la formation des étoiles, la formation des planètes et les théories sur l’évolution des premières planètes», remarque Hervé Bouy.
L’innovation basée sur l’apprentissage automatique scelle l’avenir de l’astronomie
«Nous continuons à développer nos outils logiciels pour nos propres recherches et pour toutes celles et ceux souhaitant les utiliser (ils sont disponibles sur GitHub)», déclare Hervé Bouy. «Les impacts de rayons cosmiques sont nombreux dans l’espace et affectent les observations obtenues par les missions spatiales. MaxiMask, l’outil d’intelligence artificielle permettant de détecter les défauts dans les images, peut être utilisé efficacement pour les missions spatiales en cours ou à venir, telles que la mission européenne Euclid récemment lancée, le télescope spatial Hubble ou le télescope James Webb. L’outil sera également crucial pour les études au sol affectées par les nouvelles constellations de satellites en orbite basse (par exemple Starlink) qui perturbent fortement les observations astronomiques», conclut Hervé Bouy.
Mots‑clés
COSMIC-DANCE, apprentissage automatique, amas stellaires, images astronomiques, Gaia, réseau neuronal convolutif, statistiques bayésiennes
