Les mêmes algorithmes informatiques qui apprennent aux voitures autonomes à conduire en toute sécurité pourraient-ils aider à identifier les astéroïdes à proximité ou à découvrir la vie dans l'univers ? Les scientifiques de la NASA tentent de comprendre cela en s'associant à des pionniers de l'intelligence artificielle (IA) - des entreprises telles qu'Intel, IBM et Google—pour appliquer des algorithmes informatiques avancés aux problèmes des sciences spatiales.

L'apprentissage automatique est un type d'IA. Il décrit les algorithmes et autres outils les plus largement utilisés qui permettent aux ordinateurs d'apprendre à partir des données afin de faire des prédictions et de catégoriser des objets beaucoup plus rapidement et avec plus de précision qu'un être humain. Par conséquent, L'apprentissage automatique est largement utilisé pour aider les entreprises technologiques à reconnaître les visages sur les photos ou à prédire les films que les gens aimeraient. Mais certains scientifiques voient des applications bien au-delà de la Terre.

Giada Arney, un astrobiologiste au Goddard Space Flight Center de la NASA à Greenbelt, Maryland, espère que l'apprentissage automatique pourra l'aider, elle et ses collègues, à trouver une aiguille de vie dans une botte de foin de données qui seront collectées par les futurs télescopes et observatoires tels que le télescope spatial James Webb de la NASA.

« Ces technologies sont très importantes, en particulier pour les grands ensembles de données et en particulier dans le domaine des exoplanètes, " dit Arney. "Parce que les données que nous allons obtenir des observations futures seront rares et bruyantes. Ça va être vraiment difficile à comprendre. Donc, l'utilisation de ce genre d'outils a tellement de potentiel pour nous aider. »

Pour aider des scientifiques comme Arney à créer des outils de recherche de pointe, Le laboratoire de développement frontalier de la NASA, ou FDL, rassemble des innovateurs technologiques et spatiaux pendant huit semaines chaque été pour réfléchir et développer du code informatique. Le programme de quatre ans est un partenariat entre l'institut SETI et le centre de recherche Ames de la NASA, tous deux basés dans la Silicon Valley, où abondent les incubateurs de startups qui rassemblent des personnes talentueuses pour accélérer le développement de technologies de rupture.

Dans la version de la NASA, FDL associe des doctorants en début de carrière en sciences et en génie informatique à des experts de l'agence spatiale, universitaire, et certaines des plus grandes entreprises technologiques du monde. Les entreprises partenaires apportent diverses combinaisons de matériel, algorithmes, ressources de supercalcul, le financement, des installations et des experts en la matière. Toutes les techniques d'IA développées à FDL seront accessibles au public, dont certains aident déjà à identifier les astéroïdes, trouver des planètes, et prédire les événements extrêmes de rayonnement solaire.

"FDL se sent comme de très bons musiciens avec différents instruments qui se réunissent pour une jam session dans le garage, trouver quelque chose de vraiment cool, et en disant, "Hé, nous avons un groupe ici, "" dit Shawn Domagal-Goldman, un astrobiologiste Goddard de la NASA qui, avec Arney, a encadré une équipe FDL en 2018. Leur équipe a développé une technique d'apprentissage automatique pour les scientifiques qui visent à étudier les atmosphères des exoplanètes, ou des planètes au-delà de notre système solaire.

Ces scientifiques de Goddard espèrent un jour utiliser des techniques avancées d'apprentissage automatique pour interpréter rapidement les données révélant la chimie des exoplanètes en fonction des longueurs d'onde de la lumière émise ou absorbée par les molécules dans leurs atmosphères. Depuis que des milliers d'exoplanètes ont été découvertes jusqu'à présent, prendre des décisions rapides sur ceux qui ont la chimie la plus prometteuse associée à l'habitabilité pourrait aider à limiter les candidats à quelques-uns qui méritent plus, et coûteux, enquête.

À cette fin, l'équipe FDL Arney et Domagal-Goldman ont aidé à conseiller, avec le support technique de Google AI, déployé une technique connue sous le nom de « réseau de neurones ». Cette technologie peut résoudre des problèmes super compliqués dans un processus analogue au fonctionnement du cerveau. Dans un réseau de neurones, des milliards de « neurones, " qui sont des cellules nerveuses du cerveau qui nous aident à former des souvenirs et à prendre des décisions, connectez-vous avec des milliards d'autres pour traiter et transmettre des informations. Étudiant diplômé en informatique de l'Université d'Oxford, Adam Cobb, avec Michael D. Himes, un étudiant diplômé en physique de l'Université de Floride centrale, a mené une étude pour tester la capacité d'un réseau de neurones « bayésien » par rapport à une technique d'apprentissage automatique largement utilisée connue sous le nom de « forêt aléatoire ». Une autre équipe de chercheurs non associée au FDL avait déjà utilisé cette dernière méthode pour analyser l'atmosphère de WASP-12b, une exoplanète découverte en 2008, basé sur des montagnes de données collectées par le télescope spatial Hubble de la NASA. Le réseau de neurones bayésien pourrait-il faire mieux, l'équipe s'est demandé?

"Nous avons tout de suite découvert que le réseau de neurones avait une meilleure précision que la forêt aléatoire pour identifier l'abondance de diverses molécules dans l'atmosphère de WASP-12b, " dit Cobb.

Mais en plus d'une meilleure précision, la technique bayésienne offrait quelque chose d'aussi critique :elle pouvait dire aux scientifiques à quel point ils étaient certains de sa prédiction. "Dans les endroits où les données n'étaient pas assez bonnes pour donner un résultat vraiment précis, ce modèle savait mieux qu'il n'était pas sûr de la réponse, ce qui est vraiment important si nous voulons faire confiance à ces prédictions, ", dit Domagal-Goldman.

Alors que la technique mise au point par cette équipe est encore en développement, d'autres technologies FDL ont déjà été adoptées dans le monde réel. D'ici 2017, Les participants au FDL ont développé un programme d'apprentissage automatique qui pourrait rapidement créer des modèles 3D d'astéroïdes à proximité, estimer avec précision leurs formes, tailles, et les taux de rotation. Ces informations sont essentielles aux efforts de la NASA pour détecter et dévier les astéroïdes menaçants de la Terre.

Traditionnellement, les astronomes utilisent un logiciel informatique simple pour développer des modèles 3D. Le logiciel analyse de nombreuses mesures radar d'un astéroïde en mouvement, puis aide les scientifiques à déduire ses propriétés physiques en fonction des modifications du signal radar.

"Un astronome habile avec des ressources de calcul standard, pourrait façonner un seul astéroïde en un à trois mois, " dit Bill Diamond, Président-directeur général de SETI. « Donc, la question pour l'équipe de recherche était :pouvons-nous l'accélérer ? »

La réponse était oui. L'équipe, qui comprenait des étudiants de France, l'Afrique du Sud et les États-Unis, ainsi que des mentors du monde universitaire et de la société de technologie Nvidia, développé un algorithme qui pourrait rendre un astéroïde en aussi peu que quatre jours. Aujourd'hui, la technique est utilisée par les astronomes de l'observatoire d'Arecibo à Porto Rico pour modéliser presque en temps réel la forme des astéroïdes.

La modélisation des astéroïdes, ainsi que l'analyse de l'atmosphère exoplanétaire, sont quelques exemples FDL qui montrent la promesse de l'application d'algorithmes sophistiqués aux volumes de données collectées par plus de 100 missions de la NASA.

Comme le note l'héliophysicien de la NASA Madhulika (Lika) Guhathakurta, l'agence spatiale recueille environ 2 gigaoctets de données (et de plus en plus) toutes les 15 secondes à partir de sa flotte de vaisseaux spatiaux. "Mais nous n'analysons qu'une fraction de ces données, parce que nous avons des gens limités, temps et ressources. C'est pourquoi nous devons utiliser davantage ces outils, " elle dit.

Un lead sur des missions axées sur la compréhension et la prédiction des effets du soleil sur la Terre, la technologie et les astronautes dans l'espace, Guhathakurta travaille avec FDL depuis trois ans et a été un architecte clé dans l'élaboration de ce programme. Elle a soutenu une équipe en 2018 qui a résolu un problème avec un capteur défectueux sur le Solar Dynamics Observatory (SDO) de la NASA, un vaisseau spatial qui étudie l'influence du soleil sur la Terre et l'espace proche de la Terre.

De retour en 2014, seulement quatre ans après le lancement de la mission, un capteur a cessé de renvoyer des données relatives aux niveaux de rayonnement ultraviolet extrême (EUV) - informations qui sont en corrélation avec un ballonnement de l'atmosphère extérieure de la Terre et affectent ainsi la longévité des satellites, dont la Station spatiale internationale. Ainsi, des doctorants en informatique de l'Université de Stanford et de l'Université d'Amsterdam, entre autres, avec des mentors d'organisations comme IBM, Lockheed Martin, et SETI, développé une technique qui pourrait, essentiellement, remplissez les données manquantes du capteur cassé. Leur programme informatique pourrait le faire en analysant les données d'autres instruments SDO, ainsi que les anciennes données collectées par le capteur cassé pendant les quatre années de fonctionnement, pour déduire quels niveaux de rayonnement EUV ce capteur aurait détecté sur la base de ce que les autres instruments SDO observaient à un moment donné. « Nous avons généré, essentiellement, un capteur virtuel, " dit Guhathakurta.

Le potentiel de ce type d'instrument n'est perdu pour personne. Tête SETI, Diamant, imagine un avenir où ces outils virtuels sont intégrés à des engins spatiaux, une pratique qui permettrait d'alléger, missions moins complexes et donc moins chères. Domagal-Goldman et Arney envisagent de futures missions d'exoplanètes où les technologies d'IA intégrées aux engins spatiaux sont suffisamment intelligentes pour prendre des décisions scientifiques en temps réel, économisant les nombreuses heures nécessaires pour communiquer avec les scientifiques sur Terre.

« Les méthodes d'IA nous aideront à libérer la puissance de traitement de notre propre cerveau en effectuant une grande partie du travail initial sur des tâches difficiles, " dit Arney. " Mais ces méthodes ne remplaceront pas les humains de si tôt, car nous devrons encore vérifier les résultats."