La mission exoplanète ARIEL célèbre le défi de l'apprentissage automatique et le lancement de la science citoyenne
L'analyse des données des missions spatiales n'est pas facile, surtout si vous devez observer une planète passer devant son étoile qui se trouve souvent à des centaines d'années-lumière. A une telle distance, l'un des principaux problèmes est de différencier ce qui est planète et ce qui est étoile. Le Machine Learning ARIEL Data Challenge a abordé le problème de l'identification et de la correction des effets des taches sur l'étoile à partir des faibles signaux des atmosphères des exoplanètes. Cette image montre une planète en transit passant devant une étoile avec des taches stellaires. Crédit :ESO/L. Calçada
ARIEL, une mission de l'ESA pour réaliser le premier relevé à grande échelle des atmosphères des exoplanètes, a annoncé les gagnants de son premier Machine Learning Data Challenge international et a lancé un nouveau projet, ExoClocks, destiné aux astronomes amateurs et aux citoyens scientifiques.
Les gagnants du Data Challenge, James Dawson (Équipe SpaceMeerkat), et Vadim Borisov (Équipe major_tom), ont été annoncées aujourd'hui lors de la réunion conjointe EPSC-DPS 2019 à Genève. La paire a dominé le classement de la compétition sur 112 individus et équipes inscrits. Le défi des données, lancé en avril, a abordé le problème de la suppression du bruit des observations d'exoplanètes causé par les taches stellaires et par l'instrumentation.
Nikos Nikolaou du Centre de données exochimiques de l'UCL, qui a conçu le concours, mentionné, "Les résultats du concours ont dépassé nos attentes, tant par la qualité des solutions techniques proposées que par le nombre massif de candidatures au challenge, qui rivalisait avec la participation à des compétitions ouvertes d'apprentissage automatique avec de gros prix en argent."
Une session dédiée se tient aujourd'hui à EPSC-DPS 2019 pour présenter les méthodologies utilisées par les équipes gagnantes à la communauté de recherche sur les exoplanètes, afin de partager les avancées en statistiques computationnelles et en apprentissage automatique. Les cinq équipes les mieux classées ont en outre été invitées à présenter leurs solutions lors de la conférence européenne sur l'apprentissage automatique (ECML-PKDD 2019) vendredi. La participation aux deux conférences vise à développer des collaborations plus étroites entre les chercheurs sur les exoplanètes et les communautés de l'apprentissage automatique et des statistiques.
