Dan Tamayo est chercheur postdoctoral au Center for Planetary Science de l'Université de Toronto à Scarborough. Crédit :Ken Jones
L'apprentissage automatique est un outil puissant utilisé pour une variété de tâches dans la vie moderne, de la détection des fraudes et du tri des spams dans Google, faire des recommandations de films sur Netflix.
Maintenant, une équipe de chercheurs de l'Université de Toronto Scarborough a développé une nouvelle approche en l'utilisant pour déterminer si les systèmes planétaires sont stables ou non.
"L'apprentissage automatique offre un moyen puissant d'aborder un problème en astrophysique, et c'est prédire si les systèmes planétaires sont stables, " dit Dan Tamayo, auteur principal de la recherche et boursier postdoctoral au Center for Planetary Science de l'Université de Toronto à Scarborough.
L'apprentissage automatique est une forme d'intelligence artificielle qui donne aux ordinateurs la capacité d'apprendre sans avoir à être constamment programmés pour une tâche spécifique. L'avantage est qu'il peut apprendre aux ordinateurs à apprendre et à changer lorsqu'ils sont exposés à de nouvelles données, sans oublier qu'il est également très efficace.
La méthode développée par Tamayo et son équipe est 1, 000 fois plus rapide que les méthodes traditionnelles pour prédire la stabilité.
"Dans le passé, nous avons été paralysés en essayant de déterminer si les systèmes planétaires sont stables par des méthodes qui ne pouvaient pas gérer la quantité de données que nous lui envoyions, " il dit.
Il est important de savoir si les systèmes planétaires sont stables ou non, car cela peut nous en dire beaucoup sur la façon dont ces systèmes se sont formés. Il peut également offrir de nouvelles informations précieuses sur les exoplanètes qui ne sont pas offertes par les méthodes d'observation actuelles.
Représentation d'artiste d'une collision entre deux corps planétaires. Crédit :NASA/JPL-Caltech
Il existe plusieurs méthodes actuelles de détection des exoplanètes qui fournissent des informations telles que la taille de la planète et sa période orbitale, mais ils peuvent ne pas fournir la masse de la planète ou à quel point leur orbite est elliptique, qui sont tous des facteurs qui affectent la stabilité, note Tamayo.
La méthode développée par Tamayo et son équipe est le résultat d'une série d'ateliers à l'U of T Scarborough portant sur la façon dont l'apprentissage automatique pourrait aider à résoudre des problèmes scientifiques spécifiques. La recherche est actuellement publiée en ligne dans le Lettres de revues astrophysiques .
"Ce qui est encourageant, c'est que nos résultats nous disent qu'investir des semaines de calcul pour former des modèles d'apprentissage automatique en vaut la peine, car non seulement cet outil est précis, ça marche aussi beaucoup plus vite, " il ajoute.
Cela peut également être utile lors de l'analyse des données du satellite Transiting Exoplanet Survey (TESS) de la NASA qui doit être lancé l'année prochaine. La mission de deux ans se concentrera sur la découverte de nouvelles exoplanètes en se concentrant sur les étoiles les plus brillantes proches de notre système solaire.
"Cela pourrait être un outil utile car prédire la stabilité nous permettrait d'en savoir plus sur le système, des limites supérieures de masse aux excentricités de ces planètes, " dit Tamayo.
"Cela pourrait être un outil très utile pour mieux comprendre ces systèmes."
