D’après la Nasa, 4903 exoplanètes ont été confirmées depuis 1990. Cependant il existe encore des milliers d’exoplanètes potentielles à découvrir {1}.
Au fur et à mesure des missions et des moyens disponibles pour l’exploration spatiale, le nombre de « candidates » à être des exoplanètes ne cesse d’augmenter. Au vu de la masse de données à traiter pour confirmer leurs existences, l’intelligence artificielle devient un outil indispensable dans l’analyse de celles-ci. L’IA est une solution déjà mise en place dans le cadre spatial, tel que dans les systèmes d’atterrissage, dans les satellites d’observation ou dans les systèmes de navigation. Désormais l’IA permet de s’attaquer à un nouveau secteur, celui de la découverte d’exoplanètes.
Mais avant d’étudier l’impact de l’IA dans ce domaine, il est important d’expliquer les tenants et aboutissants de la reconnaissance extrasolaire.
Une exoplanète, ou planète extrasolaire, est une planète située en dehors de notre système solaire {2}.
Du fait de leurs éloignements avec la Terre et qu’elles n’émettent pas de luminosité, il est complexe d’analyser les exoplanètes.
L’obstacle le plus important à la détection directe de ces corps célestes reste les étoiles elles-mêmes. En effet, les étoiles sont incroyablement lumineuses comparées aux exoplanètes. La faible lumière reflétée par les planètes étudiées est noyée par les rayonnements thermiques des étoiles à proximité {3}.
Pour contrer ces difficultés, il existe d’autres méthodes dites indirectes. La plus performante d’entre elles, est la méthode transit {4}.
De nos jours, 77 % des exoplanètes ont été découvertes grâce à cette méthode.
Un transit planétaire est le moment où la planète passe entre son étoile et l’observateur, faisant baisser la luminosité de l’astre {5}.
L’avantage de cette méthode est de pouvoir apporter un ensemble d’informations supplémentaires sur la planète observée. Ainsi nous pouvons déterminer la taille de l’exoplanète selon le temps nécessaire pour cacher l’astre.
Également, lors du passage de la lumière à travers un gaz, des longueurs d’ondes sont absorbées pour former un spectre. Ce dit spectre est parcouru de raies noires décrivant la composition chimique de l’atmosphère de la planète. Il est alors possible d’identifier le type de planète en analysant les raies d'absorption visibles durant le transit {6}.
Cependant, cette méthode a aussi ses défauts. Une détection par transit n’est possible que par l’alignement exact entre l’observateur, l’étoile et la planète. Il faut, pour cela, la conjonction d’un ensemble de paramètres variables dépendant entre autre de l'orientation de la planète par rapport à l’observateur et de la période de révolution de celle-ci.
La probabilité d’assister à un transit étant faible, il faut donc étudier simultanément un grand nombre d'étoiles pour maximiser les chances d’observer un transit. En plus de cela, il est souvent impossible pour les algorithmes standards de remonter la piste de certains signaux car les données sont changeantes.
Dans ce cas, l’IA peut apprendre à reconnaitre des signaux faibles qui ne pouvaient pas être détectés auparavant.
Pour permettre à une IA d’être performante il est important de collecter suffisamment de données afin de réaliser sa phase d’apprentissage. C’est pour cela qu’entre mars 2009 et novembre 2018, le télescope spatial Kepler n’a cessé de sonder l’espace à la recherche d’exoplanètes. Durant sa longue carrière, ce dernier a détecté plus de 4780 exoplanètes candidates (dont 2707 confirmées) {4}. Ces 9 années d’observation ont permis de créer une base de données colossale comprenant un ensemble de planètes aux caractéristiques très variées.
Récemment, une toute nouvelle intelligence artificielle a confirmé 301 nouvelles exoplanètes en s’appuyant sur la base de données de la missionKepler {7}. ExoMiner est un réseau de neurones qui a pour objectif de différencier, les signaux des véritables transits, des faux. Afin de remplir sa mission, l’algorithme se repose sur la puissance de calcul du superordinateur de la NASA « Pleiades ». Pour regrouper un maximum de cas potentiel, ExoMiner a été entraîné à l’aide des données issues de plusieurs méthodes de détection.
Si des algorithmes de classifications existaient déjà (Robovetter, RFC, AstroNet, GPC), ses résultats sont de loin bien plus précis. L’algorithme est non seulement capable de traiter plus rapidement les données mais il est aussi plus fiable que les systèmes de classification existants. {8}.
Il est si efficace pour reconnaitre des exoplanètes, que sur un jeu de données contenant une haute proportion d’éléments pertinents (précision de 99%), le taux de rappel (nombre d’éléments correctement identifiés sur le nombre total d’éléments corrects à identifier) d’ExoMiner est de 93,6 % là où le deuxième meilleur classificateur de ce type atteint 76,3% {9}.
De plus, cette IA permet d’offrir un début d’explicabilité aux astronomes. En effet, sa conception modulaire permet d’identifier quels paramètres d’entrées ont été pris en compte pour faire sa prédiction. {10}
Jusqu’à l'emploi d'ExoMiner, l’existence de certaines exoplanètes découvertes ne pouvaient pas être confirmées. Désormais, les milliers de signaux détectés par Kepler pourront être analysés automatiquement par cette IA. Il est d’ailleurs envisagé d’utiliser prochainement ExoMiner pour l’analyse des données récoltées par les successeurs de la mission Kepler, le satellite TESS et l’observatoire spatial PLATO {11}.
L’IA est un outil incroyable pour l’étude d’exoplanètes car il est plus efficient que les astronomes. De nos jours, l’IA se trouve sur Terre mais à terme cette dernière pourra directement jouer un rôle dans l’espace. L’IA embarquée dans les stations spatiales offre déjà une assistance aux astronautes pour des tâches dangereuses. Elle est aussi utilisée dans l’entretien des stations spatiales et dans la détection d’anomalies. L’étape suivante consisterait à embarquer l’IA dans des missions spatiales non habitées.
L’exploration extrasolaire est un bel exemple de l’intérêt grandissant de l’IA dans des secteurs faisant face à des volumes croissant de données. Plus l’humain souhaitera s’éloigner de la Terre pour explorer l’univers, et plus les systèmes à bord se devront d’être automatisés. En effet, les distances sont telles qu’il deviendra difficile d’assurer la communication entre les sondes spatiales et la Terre. En outre, il est important de pouvoir s’adapter aux situations imprévues de l’environnement spatial. Dans de telles circonstances, la généralisation des IA pourrait s’avérer utile pour concevoir des scénarios et agir en conséquence.
En cela, l’utilisation de l’IA dans le cadre aérospatial a encore de beaux jours devant elle.
Retrouvez tous nos articles ici
https://exoplanets.nasa.gov/discovery/exoplanet-catalog/ {1}
https://www.space.com/17738-exoplanets.html {2}
https://exoplanets.nasa.gov/news/1605/observing-exoplanets-what-can-we-really-see/ {3}
https://exoplanetarchive.ipac.caltech.edu/docs/counts_detail.html {4}
https://exoplanets.nasa.gov/faq/31/whats-a-transit/ {5}
http://spiff.rit.edu/classes/extrasol/lectures/spectra/spectra.html {6}
https://phys.org/news/2021-11-deep-method-planets-kepler-total.html {7}
https://www.space.com/artificial-intelligence-300-exoplanets-in-kepler-data {8}
https://arxiv.org/abs/2111.10009 {9}
https://sikchisagar9330.medium.com/exominer-nasas-deep-neural-network-of-2021-da1fe59d101d {10}
Écrit par Arnault Ioualalen & Quentin Guisti
Crédits images :
image bandeau : Captures a small region within M17, a hotbed of star formation. M17, also known as the Omega or Swan Nebula (NASA's Hubble Space Telescope)
image texte : Aleksa Kalajdzic (pexels)
vidéo texte : Artificial Intelligence and NASA Data Used to Discover Eighth Planet Circling Distant Star (NASA's Ames Research Center)
