Cinquante planètes potentielles ont été confirmées par un nouvel algorithme d'apprentissage automatique développé par des scientifiques de l'Université de Warwick.

Pour la première fois, les astronomes ont utilisé un processus basé sur l'apprentissage automatique, une forme d'intelligence artificielle, d'analyser un échantillon de planètes potentielles et de déterminer lesquelles sont réelles et lesquelles sont "fausses, " ou de faux positifs, calculer la probabilité que chaque candidat soit une vraie planète.

Leurs résultats sont rapportés dans une nouvelle étude publiée dans le Avis mensuels de la Royal Astronomical Society , où ils effectuent également la première comparaison à grande échelle de ces techniques de validation de planètes. Leurs conclusions plaident en faveur de l'utilisation de plusieurs techniques de validation, y compris leur algorithme d'apprentissage automatique, lors de la confirmation statistique des futures découvertes d'exoplanètes.

De nombreux relevés d'exoplanètes recherchent dans d'énormes quantités de données provenant de télescopes les signes des planètes passant entre le télescope et leur étoile, connu sous le nom de transit. Cela se traduit par une baisse révélatrice de la lumière de l'étoile détectée par le télescope, mais cela pourrait aussi être causé par un système d'étoiles binaires, interférence d'un objet en arrière-plan, ou même de légères erreurs dans l'appareil photo. Ces faux positifs peuvent être filtrés dans un processus de validation planétaire.

Des chercheurs des départements de physique et d'informatique de Warwick, ainsi que l'Institut Alan Turing, a construit un algorithme basé sur l'apprentissage automatique qui peut séparer les vraies planètes des fausses dans les grands échantillons de milliers de candidats trouvés par des missions de télescope telles que Kepler et TESS de la NASA.

Il a été formé pour reconnaître de vraies planètes à l'aide de deux grands échantillons de planètes confirmées et de faux positifs de la mission Kepler, aujourd'hui à la retraite. Les chercheurs ont ensuite utilisé l'algorithme sur un ensemble de données de candidats planétaires encore non confirmés de Kepler, résultant en 50 nouvelles planètes confirmées et la première à être validée par l'apprentissage automatique. Les techniques d'apprentissage automatique précédentes ont classé les candidats, mais jamais déterminé la probabilité qu'un candidat soit une vraie planète par eux-mêmes, une étape obligatoire pour la validation de la planète.

Ces 50 planètes vont de mondes aussi grands que Neptune à plus petits que la Terre, avec des orbites aussi longues que 200 jours à aussi peu qu'un seul jour. En confirmant que ces 50 planètes sont réelles, les astronomes peuvent désormais les hiérarchiser pour d'autres observations avec des télescopes dédiés.

Dr David Armstrong, du Département de physique de l'Université de Warwick, a déclaré :« L'algorithme que nous avons développé nous permet de faire franchir à 50 candidats le seuil de validation de la planète, les transformer en de vraies planètes. Nous espérons appliquer cette technique à de larges échantillons de candidats issus de missions actuelles et futures comme TESS et PLATO. En termes de validation de la planète, personne n'a utilisé une technique d'apprentissage automatique auparavant. L'apprentissage automatique a été utilisé pour classer les candidats planétaires mais jamais dans un cadre probabiliste, c'est ce dont vous avez besoin pour vraiment valider une planète. Plutôt que de dire quels candidats sont plus susceptibles d'être des planètes, nous pouvons maintenant dire quelle est la vraisemblance statistique précise. Lorsqu'il y a moins de 1% de chance qu'un candidat soit un faux positif, elle est considérée comme une planète validée."

Dr Theo Damoulas du Département d'informatique de l'Université de Warwick, et directeur adjoint, Chercheur en ingénierie centrée sur les données et Turing à l'Institut Alan Turing, a déclaré :« Les approches probabilistes de l'apprentissage automatique statistique sont particulièrement adaptées à un problème passionnant comme celui-ci en astrophysique qui nécessite l'incorporation de connaissances préalables - d'experts comme le Dr Armstrong - et la quantification de l'incertitude dans les prédictions. Un excellent exemple lorsque la complexité de calcul supplémentaire de les méthodes probabilistes rapportent considérablement. »

Une fois construit et formé, l'algorithme est plus rapide que les techniques existantes et peut être complètement automatisé, ce qui le rend idéal pour analyser les milliers de candidats planétaires potentiellement observés dans les enquêtes actuelles comme TESS. Les chercheurs soutiennent qu'il devrait être l'un des outils à utiliser collectivement pour valider les planètes à l'avenir.

Le Dr Armstrong ajoute :« Près de 30 % des planètes connues à ce jour ont été validées à l'aide d'une seule méthode, et ce n'est pas l'idéal. Le développement de nouvelles méthodes de validation est souhaitable pour cette seule raison. Mais l'apprentissage automatique nous permet également de le faire très rapidement et de prioriser les candidats beaucoup plus rapidement. Nous devons encore passer du temps à entraîner l'algorithme, mais une fois cela fait, il devient beaucoup plus facile de l'appliquer aux futurs candidats. Vous pouvez également intégrer de nouvelles découvertes pour l'améliorer progressivement. Une enquête comme TESS devrait avoir des dizaines de milliers de candidats planétaires et il est idéal de pouvoir les analyser tous de manière cohérente. Rapide, des systèmes automatisés comme celui-ci qui peuvent nous emmener jusqu'à des planètes validées en moins d'étapes nous permettent de le faire efficacement. »