Les astronomes de l'Ohio State University ont identifié environ 116 000 nouvelles étoiles variables, selon un nouvel article.

Ces corps célestes ont été trouvés par The All-Sky Automated Survey for Supernovae (ASAS-SN), un réseau de 20 télescopes à travers le monde qui peut observer le ciel entier environ 50 000 fois plus profondément que l'œil humain. Des chercheurs de l'État de l'Ohio dirigent le projet depuis près d'une décennie.

Maintenant, dans un article publié sur arXiv, un serveur de préimpression en libre accès, les chercheurs décrivent comment ils ont utilisé des techniques d'apprentissage automatique pour identifier et classer les étoiles variables, des objets célestes dont la luminosité croît et décroît avec le temps, surtout si on les observe de notre point de vue sur Terre.

Les changements que subissent ces étoiles peuvent révéler des informations importantes sur leur masse, leur rayon, leur température et même leur composition. En fait, même notre soleil est considéré comme une étoile variable. Les enquêtes comme ASAS-SN sont un outil particulièrement important pour trouver des systèmes qui peuvent révéler la complexité des processus stellaires, a déclaré Collin Christy, l'auteur principal de l'article et analyste ASAS-SN à Ohio State.

"Les étoiles variables sont un peu comme un laboratoire stellaire", a-t-il déclaré. "Ce sont des endroits vraiment sympas dans l'univers où nous pouvons étudier et en apprendre davantage sur le fonctionnement réel des étoiles et les petites subtilités qu'elles ont toutes."

Mais pour localiser davantage de ces entités insaisissables, l'équipe a d'abord dû importer des données du projet auparavant inutilisées. Pendant des années, ASAS-SN a observé le ciel à l'aide de filtres en bande V, des lentilles optiques qui ne peuvent identifier que les étoiles dont la lumière tombe dans le spectre des couleurs visibles à l'œil nu. Mais en 2018, le projet est passé à l'utilisation de filtres en bande g - des lentilles capables de détecter plus de variétés de lumière bleue - et le réseau est passé de la capacité d'observer environ 60 millions d'étoiles à la fois à plus de 100 millions.

Mais contrairement à la campagne de science citoyenne de l'ASAS-SN, qui repose sur des volontaires pour passer au crible et classer les données astronomiques, l'étude de Christy a nécessité l'aide de l'intelligence artificielle.

"Si vous voulez regarder des millions d'étoiles, il est impossible pour quelques humains de le faire par eux-mêmes. Cela prendra une éternité", a déclaré Tharindu Jayasinghe, co-auteur de l'article, doctorant en astronomie et membre d'un État de l'Ohio. collègue présidentiel. "Nous avons donc dû apporter quelque chose de créatif dans le mélange, comme des techniques d'apprentissage automatique."

La nouvelle étude s'est concentrée sur les données de Gaia, une mission visant à tracer une carte tridimensionnelle de notre galaxie, ainsi que de 2MASS et AllWISE. L'équipe de Christy a utilisé un algorithme d'apprentissage automatique pour générer une liste de 1,5 million d'étoiles variables candidates à partir d'un catalogue d'environ 55 millions d'étoiles isolées.

Par la suite, les chercheurs ont encore réduit le nombre de candidats. Sur les 1,5 million d'étoiles qu'ils ont étudiées, près de 400 000 se sont révélées être de véritables étoiles variables. Plus de la moitié étaient déjà connues de la communauté astronomique, mais 116 027 d'entre elles se sont avérées être de nouvelles découvertes.

Bien que l'étude ait nécessité l'apprentissage automatique pour la mener à bien, l'équipe de Christy affirme que les scientifiques citoyens ont toujours un rôle à jouer. En fait, les volontaires de la campagne de science citoyenne ont déjà commencé à identifier les données indésirables, a-t-il déclaré. "Le fait que les gens nous disent à quoi ressemblent nos mauvaises données est super utile, car au départ, l'algorithme examinerait les mauvaises données et essaierait de leur donner un sens", a déclaré Christy.

Mais l'utilisation d'un ensemble d'entraînement de toutes ces mauvaises données permet à l'équipe de modifier et d'améliorer les performances globales de leur algorithme. "C'est la première fois que nous combinons réellement la science citoyenne avec des techniques d'apprentissage automatique dans le domaine de l'astronomie des étoiles variables", a déclaré Jayasinghe. "Nous élargissons les limites de ce que vous pouvez faire lorsque vous associez ces deux éléments." + Explorer plus loin

Des scientifiques citoyens découvrent 10 000 nouvelles étoiles variables