Télescopes, les instruments de pointe de l'astronomie, sont limités par la taille du miroir ou de l'objectif qu'ils utilisent. En utilisant des « réseaux de neurones », une forme d'intelligence artificielle, un groupe de chercheurs suisses a maintenant un moyen de dépasser cette limite, offrant aux scientifiques la perspective des images les plus nettes jamais réalisées en astronomie optique. Le nouveau travail apparaît dans un article en Avis mensuels de la Royal Astronomical Society .

Le diamètre de sa lentille ou miroir, la soi-disant ouverture, limite fondamentalement tout télescope. En termes simples, plus le miroir ou l'objectif est grand, plus il recueille de lumière, permettant aux astronomes de détecter des objets plus faibles, et de les observer plus clairement. Un concept statistique connu sous le nom de « théorème d'échantillonnage de Nyquist » décrit la limite de résolution, et donc combien de détails peuvent être vus.

L'étude suisse, dirigé par le professeur Kevin Schawinski de l'ETH Zurich, utilise les dernières technologies d'apprentissage automatique pour défier cette limite. Ils enseignent un réseau de neurones, une approche informatique qui simule les neurones dans un cerveau, à quoi ressemblent les galaxies, puis demandez-lui de récupérer automatiquement une image floue et de la transformer en une image nette. Tout comme un humain, le réseau neuronal a besoin d'exemples - dans ce cas une image floue et nette de la même galaxie - pour apprendre la technique.

Leur système utilise deux réseaux de neurones en compétition, une approche émergente populaire auprès de la communauté de recherche en apprentissage automatique appelée « réseau contradictoire génératif », ou GAN. L'ensemble du programme d'enseignement n'a duré que quelques heures sur un ordinateur haute performance.

Les réseaux neuronaux entraînés ont pu reconnaître et reconstruire des caractéristiques que le télescope n'a pas pu résoudre - telles que les régions de formation d'étoiles, barres et bandes de poussière dans les galaxies. Les scientifiques l'ont comparé à l'image haute résolution d'origine pour tester ses performances, le trouvant mieux à même de récupérer des fonctionnalités que tout ce qui était utilisé à ce jour, y compris l'approche de « déconvolution » utilisée pour améliorer les images réalisées dans les premières années du télescope spatial Hubble.

Schawinski y voit un grand pas en avant :« Nous pouvons commencer par revenir aux relevés du ciel réalisés avec des télescopes sur de nombreuses années, voir plus de détails que jamais, et par exemple en savoir plus sur la structure des galaxies. Il n'y a aucune raison pour que nous ne puissions pas ensuite appliquer cette technique aux images les plus profondes de Hubble, et le futur télescope spatial James Webb, pour en savoir plus sur les premières structures de l'Univers."

Professeur Ce Zhang, le collaborateur de l'informatique, voit également un grand potentiel :« La quantité massive de données astronomiques est toujours fascinante pour les informaticiens. Mais, lorsque des techniques telles que l'apprentissage automatique émergent, l'astrophysique fournit également un excellent banc d'essai pour aborder une question informatique fondamentale - comment intégrer et tirer parti des connaissances que les humains ont accumulées au cours de milliers d'années, en utilisant un système d'apprentissage automatique ? Nous espérons que notre collaboration avec Kevin pourra également faire la lumière sur cette question."

Le succès du projet laisse présager un avenir plus « contrôlé par les données » pour l'astrophysique dans lequel les informations sont apprises automatiquement à partir des données, au lieu de modèles physiques fabriqués manuellement. L'ETH Zurich accueille ce travail dans le cadre de l'initiative interdisciplinaire astrophysique/informatique space.ml, où le code est accessible au grand public.