La classification des objets célestes est un problème de longue date. Avec des sources à des distances presque inimaginables, il est parfois difficile pour les chercheurs de faire la distinction entre des objets tels que des étoiles, des galaxies, des quasars ou des supernovae.
Les chercheurs de l’Instituto de Astrofísica e Ciências do Espaço (IA) Pedro Cunha et Andrew Humphrey ont tenté de résoudre ce problème classique en créant SHEEP, un algorithme d’apprentissage automatique qui détermine la nature des sources astronomiques. Andrew Humphrey (IA & Université de Porto, Portugal) commente : « Le problème de la classification des objets célestes est très difficile, en termes de nombre et de complexité de l’univers, et l’intelligence artificielle est un outil très prometteur pour ce type de tâche. «
Le premier auteur de l’article, aujourd’hui publié dans la revue Astronomie & Astrophysique, Pedro Cunha, un doctorat. étudiant à l’IA et au Département de physique et à l’Université de Porto, déclare : « Ce travail est né en tant que projet parallèle de ma thèse de maîtrise. Il a combiné les leçons apprises pendant cette période dans un projet unique. »
Andrew Humphrey, conseiller MSc de Pedro Cunha et maintenant Ph.D. co-directeur dit : « C’était très cool d’obtenir un résultat aussi intéressant, en particulier à partir d’une thèse de maîtrise. »
SHEEP est un pipeline d’apprentissage automatique supervisé qui estime les décalages photométriques vers le rouge et utilise ces informations lors de la classification ultérieure des sources en galaxie, quasar ou étoile. « Les informations photométriques sont les plus faciles à obtenir et sont donc très importantes pour fournir une première analyse sur la nature des sources observées », explique Pedro Cunha.
Crédit : Instituto de Astrofísica e Ciências do Espaço
« Une nouvelle étape dans notre pipeline est qu’avant d’effectuer la classification, SHEEP estime d’abord les décalages photométriques vers le rouge, qui sont ensuite placés dans l’ensemble de données en tant que fonctionnalité supplémentaire pour la formation du modèle de classification. »
L’équipe a découvert que l’inclusion du redshift et des coordonnées des objets permettait à l’IA de les comprendre dans une carte 3D de l’univers, et ils l’ont utilisé avec les informations de couleur pour faire de meilleures estimations des propriétés de la source. Par exemple, l’IA a appris qu’il y a plus de chances de trouver des étoiles plus près du plan de la Voie lactée qu’aux pôles galactiques. Humphrey a ajouté: « Lorsque nous avons permis à l’IA d’avoir une vue 3D de l’univers, cela a vraiment amélioré sa capacité à prendre des décisions précises sur ce qu’était chaque objet céleste. »
Les relevés étendus, au sol et dans l’espace, comme le Sloan Digital Sky Survey (SDSS), ont produit de gros volumes de données, révolutionnant le domaine de l’astronomie. Les futurs relevés, effectués par des organismes comme l’observatoire Vera C. Rubin, le Dark Energy Spectroscopic Instrument (DESI), la mission spatiale Euclid (ESA) ou le télescope spatial James Webb (NASA/ESA) continueront de nous donner des informations plus détaillées. imagerie. Cependant, l’analyse de toutes les données à l’aide de méthodes traditionnelles peut prendre du temps. L’IA ou l’apprentissage automatique seront cruciaux pour analyser et tirer le meilleur parti scientifique de ces nouvelles données.
Ce travail fait partie des efforts de l’équipe pour exploiter le déluge de données attendu de ces enquêtes, en développant des systèmes d’intelligence artificielle qui classent et caractérisent efficacement des milliards de sources.
Pedro Cunha déclare : « L’une des parties les plus passionnantes est de voir comment l’apprentissage automatique nous aide à mieux comprendre l’univers. Notre méthodologie nous montre une voie possible, tandis que de nouvelles sont créées au cours du processus. C’est une période passionnante pour l’astronomie. »
L’imagerie et les relevés spectroscopiques sont l’une des principales ressources pour la compréhension du contenu visible de l’univers. Les données de ces enquêtes permettent des études statistiques des étoiles, des quasars et des galaxies, et la découverte d’objets plus particuliers.
Le chercheur principal Polychronis Papaderos a déclaré : « Le développement d’algorithmes avancés d’apprentissage automatique, tels que SHEEP, fait partie intégrante de la stratégie cohérente de l’IA vers l’exploitation scientifique d’ensembles de données photométriques d’une taille sans précédent pour des milliards de galaxies avec la mission spatiale Euclid de l’ESA, dont le lancement est prévu en 2023. »
Euclid fournira une cartographie détaillée de l’univers et éclairera la nature de l’énigmatique matière noire et de l’énergie noire.
PAC Cunha et al, Classification photométrique assistée par décalage vers le rouge utilisant l’apprentissage d’ensemble, Astronomie & Astrophysique (2022). DOI : 10.1051/0004-6361/202243135
Fourni par Instituto de Astrofísica e Ciências do Espaço