Pour découvrir comment se forment les planètes, les astrophysiciens exécutent des calculs informatiques compliqués et chronophages. Les membres du PRN PlanetS de l'Université de Berne ont maintenant développé une approche totalement nouvelle pour accélérer considérablement ce processus. Ils utilisent un apprentissage profond basé sur des réseaux de neurones artificiels, une méthode bien connue en reconnaissance d'images.

Les planètes se développent dans des disques stellaires, accrétion de matière solide et de gaz. Qu'ils deviennent des corps comme la Terre ou Jupiter dépend de différents facteurs comme les propriétés des solides, la pression et la température dans le disque et le matériau déjà accumulé. Avec des modèles informatiques, les astrophysiciens tentent de simuler le processus de croissance et de déterminer la structure planétaire intérieure. Pour des conditions aux limites données, ils calculent les masses de l'enveloppe de gaz d'une planète. "Cela nécessite de résoudre un ensemble d'équations différentielles, " explique Yann Alibert, responsable scientifique du PRN PlanetS à l'Université de Berne :"Résoudre ces équations est une spécialité des astrophysiciens ici à Berne depuis 15 ans, mais c'est un processus compliqué et long."

Pour accélérer les calculs, Yann Alibert et l'associée de PlanetS Julia Venturini de l'Institut international des sciences spatiales (ISSI) à Berne ont adopté une méthode qui a déjà capté de nombreux autres domaines, y compris le développement de smartphones :apprentissage en profondeur. Il est, par exemple, utilisé pour la reconnaissance des visages et des images. Mais cette branche de l'intelligence artificielle et de l'apprentissage automatique a également amélioré la traduction automatique des langues et est cruciale pour les voitures autonomes. "Il y a aussi un grand battage médiatique en astronomie, " dit Alibert. " L'apprentissage automatique a déjà été utilisé pour analyser des observations, mais à ma connaissance, nous sommes les premiers à utiliser le deep learning à cette fin." Alibert et Venturini publient leurs résultats dans la revue Astronomie et astrophysique ( A&A ).

Base de données de millions de planètes

D'abord, les chercheurs ont dû créer une base de données. Ils ont calculé des millions de structures intérieures possibles des planètes. "Il nous a fallu trois semaines pour calculer tous ces cas de test à l'aide d'un code développé par Julia Venturini lors de son doctorat à Berne, " dit Alibert. L'étape suivante consistait à décider de l'architecture d'un réseau de neurones artificiels, un ensemble d'algorithmes qui transmet les données d'entrée par le biais d'opérations mathématiques et a la capacité d'apprendre sans être explicitement programmé. "Puis, nous avons formé ce réseau à l'aide de notre gigantesque base de données, " dit l'astrophysicien. " Maintenant, notre réseau est capable de prédire la masse d'une planète en train de se former dans certaines conditions avec une très bonne précision et énormément plus rapidement que la résolution des équations différentielles."

Le processus d'apprentissage en profondeur est beaucoup plus précis que les méthodes développées précédemment pour remplacer la solution d'équations différentielles par certaines formules analytiques. Ces formules analytiques pourraient prédire qu'une planète devrait grandir jusqu'à la masse de Jupiter, alors qu'en réalité il ne pouvait pas avoir plus de masse que Neptune. "Nous montrons que nos réseaux de neurones profonds fournissent une très bonne approximation au niveau des pourcentages, " résume Alibert. Les chercheurs fournissent leurs résultats sur la plateforme de développement logiciel GitHub, afin que les collègues travaillant dans la formation des planètes partout dans le monde en bénéficient.