L’apprentissage automatique pourrait aider à identifier les exoplanètes potentiellement habitables

L'apprentissage Automatique Pourrait Aider à Identifier Les Exoplanètes Potentiellement Habitables

À ce jour, il existe plus de 5 000 exoplanètes confirmées dans 3 711 systèmes planétaires, avec plus de 8 700 candidats en attente de confirmation. Avec autant de mondes disponibles pour l’étude et avec des améliorations de plus en plus importantes dans la sensibilité des télescopes et l’analyse des données, l’attention passe de la découverte à l’identité/caractérisation de ces corps.

Lapprentissage automatique pourrait aider a identifier les exoplanetes potentiellement habitables
Simulation d’artiste d’un système multiplanétaire où trois planètes sont en transit. crédit : Nasa

En d’autres termes, presque aussi voire plus important que de savoir que ces planètes existent est de les examiner pour identifier des mondes « potentiellement habitables », à la recherche d’éventuelles « biosignatures ». Cela fait référence aux signatures chimiques associées à la vie et aux processus biologiques, dont l’un des plus importants est l’eau.

En tant que seul solvant connu sans lequel la vie (telle que nous la connaissons) ne peut exister, l’eau est considérée comme la référence pour trouver la vie. Dans une étude récente, les astrophysiciens Dang Pham et Lisa Kaltenegger expliquent comment les recherches futures (lorsqu’elles sont combinées à l’apprentissage automatique) peuvent discerner la présence d’eau, de neige et de nuages ​​sur des exoplanètes lointaines.

Pham est étudiant diplômé à l’Université de Toronto, où il s’est spécialisé dans la recherche sur la dynamique planétaire. Lisa est professeure agrégée d’astronomie à l’Université Cornell, directrice de l’Institut Carl Sagan et experte en modélisation de mondes potentiellement habitables et en caractérisation de leurs atmosphères.

« L’eau liquide à la surface d’une planète est l’une des preuves irréfutables de la vie potentielle – je dis potentiel ici parce que nous ne savons pas de quoi d’autre nous avons besoin pour démarrer la vie. Mais l’eau liquide est un bon début. Nous avons donc utilisé le slogan de la NASA « suivez simplement l’eau » et nous nous sommes demandé « comment pouvons-nous trouver de l’eau à la surface des exoplanètes rocheuses dans la zone habitable? », A déclaré Lisa. « Faire de la spectroscopie prend du temps, nous recherchons donc un moyen plus rapide d’identifier initialement les planètes prometteuses – celles avec de l’eau liquide. »

Actuellement, les astronomes se limitent à rechercher l’absorption de la raie Lyman-alpha, qui indique la présence d’hydrogène gazeux dans l’atmosphère d’une exoplanète. C’est un sous-produit de la vapeur d’eau atmosphérique qui a été exposée au rayonnement solaire ultraviolet, provoquant sa dissociation chimique en hydrogène et en oxygène moléculaire (O2) – dont le premier est perdu dans l’espace tandis que le second est retenu.

Cela est sur le point de changer, avec les télescopes spatiaux de nouvelle génération tels que le James Webb (JWST), le Nancy Grace Roman (RST), le télescope spatial Origins, l’observatoire d’exoplanètes habitables (HabEx) et le Large UV/Optical/IR Surveyor ( LUVOIR). Il existe également des télescopes au sol tels que l’Extremely Large Telescope (ELT), le Giant Magellan Telescope (GMT) et le Thirty Meter Telescope (TMT).

1647903789 465 Lapprentissage automatique pourrait aider a identifier les exoplanetes potentiellement habitables
Illustration d’artiste de l’exoplanète HR8799e, qui a été imagée directement à l’aide de l’instrument GRAVITY sur le Very Large Telescope Interferometer de l’ESO. Crédit : ESO/L. Trottoir

Grâce à leurs grands miroirs primaires et à l’ensemble avancé de spectrographes, de chronographes et d’optique adaptative, ces instruments pourront réaliser des études directes d’images d’exoplanètes. Cela consiste à étudier la lumière réfléchie directement par l’atmosphère ou la surface d’une exoplanète pour obtenir des spectres, permettant aux astronomes de voir quels éléments chimiques sont présents. Cependant, comme ils l’indiquent dans leur article, il s’agit d’un long processus.

Les astronomes commencent par observer des milliers d’étoiles à la recherche de baisses périodiques de luminosité, puis analysent les courbes de lumière à la recherche de signes de signatures chimiques. Aujourd’hui, les chercheurs sur les exoplanètes et les astrobiologistes s’appuient sur des astronomes amateurs et des algorithmes de machines pour trier les volumes de données que leurs télescopes obtiennent. En regardant vers l’avenir, Pham et Lisa montrent à quel point l’apprentissage automatique sera crucial.

Comme ils l’indiquent, les techniques d’apprentissage automatique permettront aux astronomes d’effectuer plus rapidement les caractérisations initiales des exoplanètes, permettant aux astronomes de hiérarchiser les cibles pour les observations de suivi. En « suivant l’eau », les astronomes pourront consacrer une plus grande partie du précieux temps de recherche d’un observatoire aux exoplanètes qui sont plus susceptibles de fournir des rendements significatifs.

L’apprentissage automatique permet une identification rapide et précise du rapport signal sur bruit

« Les télescopes de nouvelle génération chercheront de la vapeur d’eau dans l’atmosphère des planètes et de l’eau à la surface des planètes », a déclaré Lisa. « Bien sûr, pour trouver de l’eau à la surface des planètes, il faut chercher de l’eau sous ses formes liquide, solide et gazeuse, comme nous l’avons fait dans notre étude. »

« L’apprentissage automatique nous permet d’identifier rapidement les filtres optimaux, ainsi que de compenser la précision sur divers rapports signal/bruit », a ajouté Pham. « Dans la première tâche, en utilisant l’algorithme open source XG Boost, nous obtenons un classement des filtres les plus utiles pour l’algorithme dans ses tâches de détection d’eau, de neige ou de nuages. Dans la deuxième tâche, nous pouvons observer à quel point l’algorithme fonctionne mieux avec moins de bruit. Avec cela, nous pouvons tracer une ligne où obtenir plus de signal ne correspondrait pas à une bien meilleure précision.

Pour s’assurer que leur algorithme était à la hauteur de la tâche, Pham et Lisa ont procédé à un étalonnage considérable. Cela consistait à créer 53 130 profils de spectres d’une Terre froide avec divers composants de surface – y compris la neige, l’eau et les nuages ​​d’eau. Ils ont ensuite simulé les spectres de cette eau en termes de réflectivité atmosphérique et de surface et ont attribué des profils de couleur.

Comme Pham l’a expliqué : « L’atmosphère a été modélisée à l’aide d’Exo-Prime2 — Exo-Prime2 a été validé par comparaison avec la Terre dans plusieurs missions. La réflectivité de surfaces telles que la neige et l’eau est mesurée sur Terre par l’USGS. Ensuite, nous créons des couleurs à partir de ces spectres. Nous avons entraîné le XG Boost dans ces couleurs pour atteindre trois objectifs distincts : détecter la présence d’eau, la présence de nuages ​​et la présence de neige. »

Ce XG Boost formé a montré que les nuages ​​et la neige sont plus faciles à identifier que l’eau, ce qui est à prévoir puisque les nuages ​​et la neige ont un albédo (réflectivité de la lumière solaire plus élevée) beaucoup plus élevé que l’eau. .

Ils ont en outre identifié cinq filtres idéaux qui fonctionnaient extrêmement bien pour l’algorithme, tous de 0,2 micromètre de large et dans la gamme de la lumière visible. La dernière étape consistait à effectuer une évaluation de probabilité simulée pour évaluer leur modèle de la planète par rapport à l’eau liquide, à la neige et aux nuages ​​à partir de l’ensemble des cinq filtres idéaux qu’ils ont identifiés.

« Enfin, nous avons effectué une brève analyse bayésienne à l’aide de Markov-Chain Monte Carlo (MCMC) pour effectuer la même tâche sur les cinq filtres idéaux, en tant que méthode d’apprentissage non automatique pour valider notre découverte », a déclaré Pham. « Nos résultats sont similaires : l’eau est plus difficile à détecter, mais il est possible d’identifier l’eau, la neige et les nuages ​​par photométrie. »

De même, ils ont été surpris de voir à quel point XG Boost bien formé pouvait identifier l’eau à la surface des planètes rocheuses en se basant uniquement sur la couleur. Selon Lisa, c’est ce que sont vraiment les filtres : un moyen de séparer la lumière en « boîtes » discrètes. « Imaginez un bac pour toute la lumière rouge (le filtre « rouge »), puis un bac pour toute la lumière verte, du clair au foncé (le filtre « vert ») », a-t-elle déclaré.

La méthode proposée n’identifie pas l’eau dans les atmosphères d’exoplanètes, mais à la surface d’une exoplanète par photométrie. De plus, il ne fonctionnera pas avec la méthode de transit (également connue sous le nom de photométrie de transit), qui est actuellement le moyen le plus utilisé et le plus efficace pour détecter les exoplanètes, et consiste à observer des étoiles distantes pour les baisses périodiques de luminosité attribuées au passage des exoplanètes. l’étoile (également appelée transit) par rapport à l’observateur.

Parfois, les astronomes peuvent obtenir des spectres de l’atmosphère d’une exoplanète lors de son transit – un processus connu sous le nom de « spectroscopie de transit ». Lorsque la lumière de l’étoile hôte traverse l’atmosphère de l’exoplanète par rapport à l’observateur, les astronomes l’analysent avec des spectromètres pour déterminer quels produits chimiques s’y trouvent. Grâce à son optique sensible et à son réseau de spectromètres, le JWST s’appuiera sur cette méthode pour caractériser les atmosphères des exoplanètes.

Avez-vous regardé nos nouvelles vidéos sur Youtube? Abonnez-vous à notre chaîne !