Que ferait Galileo ?
Un groupe de scientifiques et d’astronomes a utilisé avec succès l’intelligence artificielle et l’apprentissage automatique pour identifier et classer les supernovae au moment de leur formation. Il s’agissait d’un test robotique du projet Bright Transient Sky Survey (BTS), qui fait partie d’un programme plus vaste visant à détecter et à classer les supernovae dépassant un certain niveau de luminosité.
L’équipe à l’origine du robot BTS affirme qu’il peut permettre aux scientifiques de disposer de plus de temps pour analyser les événements du ciel en éliminant l’intermédiaire humain chargé de confirmer qu’un événement détecté est bien une explosion stellaire. Le robot a été lancé la semaine dernière et est exploité par des étudiants et des professeurs de l’université Northwestern, une institution de recherche privée.
« Il s’agit d’une étape importante », déclare Adam Miller, professeur associé à la Northwestern University, « car le perfectionnement du modèle permettra au robot d’isoler des sous-types spécifiques d’explosions stellaires ». En fin de compte, le retrait des humains donnera à l’équipe de recherche plus de temps pour analyser les observations et présenter de nouvelles hypothèses pour expliquer l’origine des explosions cosmiques observées. »
Certains se sont inquiétés d’être remplacés par l’intelligence artificielle et se sont opposés à l’idée de supprimer « l’intermédiaire humain », mais M. Miller a déclaré que l’objectif était d’accroître l’efficacité.
« Nous faisons cela depuis environ 2018, lorsque ce projet a commencé », a déclaré à TCN Nabil Rehemtula, chef de projet et étudiant diplômé en astronomie. « Nous avons donc maintenant des dizaines de milliers de supernovae pour nous entraîner et construire des modèles et automatiser le processus.
La nébuleuse de la tête de cheval est visible dans ce
Le Zwicky Transient Facility (ZTF), nommé d’après l’astronome Fritz Zwicky et situé à l’observatoire Palomar de San Diego, en Californie, a été créé en 2018 pour identifier rapidement ces événements cosmiques.
L’équipe du projet BTSbot, dirigée par Remtula et Miller, comprend des membres de l’Université Northwestern, du Caltech, de l’Université Liverpool John Moores et de l’Université du Minnesota.
Pour entraîner le modèle d’IA, Remtula a fourni à l’algorithme plus de 1,4 million d’images historiques provenant de 16 000 sources. Ces sources comprenaient des supernovae confirmées, des étoiles qui explosent temporairement, des étoiles variables périodiques et des galaxies qui explosent.
M. Rehemtula a expliqué qu’environ 1 300 à 1 400 supernovae sont observées chaque année, ce qui fournit une grande quantité de données à analyser. Le Bright Transients Survey mesure tout ce qui apparaît et disparaît, s’éclaircit et s’estompe, et il s’agit d’un événement unique, a-t-il déclaré.
« Il est important de donner aux modèles un ensemble d’entraînement propre et représentatif », a déclaré M. Rehemtula. Nous commençons donc par revenir en arrière et voir quelles supernovae ou autres choses sont passées à l’origine par le filtre BTS.
Remtula explique qu’il est ainsi facile d’exclure les phénomènes célestes qui ne sont pas des supernovae.
Nouvelle image composite de la galaxie d’Andromède, prise à l’observatoire Palomar en lumière visible dans trois bandes. Crédit image : ZTF/D. Goldstein et R. Hurt (Caltech).
« Nous pouvons donc revenir en arrière et examiner 50 choses chaque nuit au cours des cinq ou six dernières années. Ce sont les exemples que nous avons utilisés pour l’ensemble de formation », a-t-il déclaré. En gros, tout ce que n’importe qui a regardé au cours des cinq ou six dernières années.
Malgré ce succès, M. Rehmtul explique que le projet n’a pas été sans heurts, notamment en ce qui concerne le contrôle et la vérification des images et la garantie de leur haute qualité, ce qui a entraîné un léger retard dans la sortie du BTSbot.
« Beaucoup de choses ont freiné le développement, explique-t-il, notamment la création d’un ensemble d’entraînement suffisamment grand pour que le modèle puisse apprendre, mais aussi propre et ordonné. Il ne faut pas que tout ce que notre télescope détecte soit mélangé et que l’on obtienne un tas de déchets ».
À mesure que l’intelligence artificielle gagne en popularité, la technologie s’impose dans divers domaines de recherche, notamment le traitement du cancer, la défense militaire et l’éducation. Bien que l’IA soit très prometteuse pour l’avenir de la société, les experts avertissent que la technologie a encore des habitudes inquiétantes, notamment les préjugés, le racisme et le mensonge.
M. Remtura a également déclaré qu’il fallait faire preuve de prudence lors de l’utilisation de l’IA en astronomie et a reconnu qu’il pouvait y avoir des biais de sélection dans les modèles d’IA qui compromettent la précision des modèles d’IA dans l’identification d’objets dans d’autres galaxies.
« Nous détectons plus de 99 % des objets, nous ne sommes donc pas trop inquiets à ce sujet », a-t-il déclaré. Les personnes qui adoptent l’intelligence artificielle pour l’astronomie devraient réfléchir aux biais que nous introduisons dans [la recherche]. »
