L’apprentissage automatique sera l’un des meilleurs moyens d’identifier les exoplanètes habitables

Le domaine des études sur les planètes extrasolaires est en pleine mutation. À ce jour, 4 940 exoplanètes ont été confirmées dans 3 711 systèmes planétaires, avec 8 709 autres candidats en attente de confirmation. Avec autant de planètes disponibles pour l’étude et les améliorations de la sensibilité du télescope et de l’analyse des données, l’accent est mis sur la transition de la découverte à la caractérisation. Au lieu de simplement chercher plus de planètes, les astrobiologistes examineront les mondes « potentiellement habitables » pour des « biosignatures » potentielles.

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 le bâton divinatoire pour trouver la vie. Dans une étude récente, les astrophysiciens Dang Pham et Lisa Kaltenegger expliquent comment les futures enquêtes (lorsqu’elles sont combinées avec l’apprentissage automatique) pourraient discerner la présence d’eau, de neige et de nuages ​​sur des exoplanètes lointaines.

Dang Pham est un étudiant diplômé du Département d’astronomie et d’astrophysique David A. Dunlap de l’Université de Toronto, où il se spécialise dans la recherche sur la dynamique planétaire. Lisa Kaltenegger est professeure agrégée d’astronomie à l’Université Cornell, directrice de l’Institut Carl Sagan et experte de renommée mondiale dans la modélisation de mondes potentiellement habitables et la caractérisation de leurs atmosphères.

L’eau est quelque chose dont dépend toute vie sur Terre, d’où son importance pour les études exoplanétaires et astrobiologiques. Comme Lisa Kaltenegger l’a dit à Universe Today par e-mail, cette importance se reflète dans le slogan de la NASA – « suivez simplement l’eau » – qui a également inspiré le titre de leur article.

« L’eau liquide à la surface d’une planète est l’un des pistolets fumants 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 a demandé, comment pouvons-nous trouver de l’eau à la surface des exoplanètes rocheuses dans la zone habitable ? Faire de la spectroscopie prend beaucoup de temps, nous recherchons donc un moyen plus rapide d’identifier initialement les planètes prometteuses – celles avec de l’eau liquide sur leur. »

Actuellement, les astronomes se sont limités à rechercher l’absorption de la raie Lyman-alpha, qui indique la présence d’hydrogène gazeux dans l’atmosphère d’une exoplanète. Il s’agit d’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, grâce aux télescopes de nouvelle génération comme le James Webb (JWST) et les télescopes spatiaux romains Nancy Grace (RST), ainsi qu’aux observatoires de nouvelle génération comme le télescope spatial Origins, l’observatoire d’exoplanètes habitables (HabEx ), et le Grand UV/Optical/IR Surveyor (LUVOIR). Il existe également des télescopes au sol comme l’Extremely Large Telescope (ELT), le Giant Magellan Telescope (GMT) et le Thirty Meter Telescope (TMT).

Grâce à leurs grands miroirs primaires et à une suite avancée de spectrographes, de chronographes et d’optique adaptative, ces instruments pourront mener des études d’imagerie directe sur les 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. Mais comme ils l’indiquent dans leur article, il s’agit d’un processus qui prend beaucoup de temps.

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. Actuellement, 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. Pour l’avenir, Pham et Kaltenegger montrent à quel point un apprentissage automatique plus avancé sera crucial.

Comme ils l’indiquent, les techniques ML 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 d’étude d’un observatoire aux exoplanètes qui sont plus susceptibles de fournir des rendements significatifs.

« 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 Kaltenegger. « Bien sûr, pour trouver de l’eau à la surface des planètes, il faut chercher [for water in its] formes liquides, solides et gazeuses, comme nous l’avons fait dans notre article. »

« L’apprentissage automatique nous permet d’identifier rapidement les filtres optimaux, ainsi que le compromis de précision à divers rapports signal sur bruit », a ajouté Pham. « Dans la première tâche, en utilisant [the open-source algorithm] XGBoost, 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 Kaltenegger ont procédé à un étalonnage considérable. Cela consistait à créer 53 130 profils de spectres d’une Terre froide avec divers composants de surface, notamment de la neige, de l’eau et des nuages ​​​​d’eau. Ils ont ensuite simulé les spectres de cette eau en termes de réflectivité de l’atmosphère et de la 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 diverses missions. La réflectivité de surfaces comme la neige et l’eau est mesurée sur Terre par l’USGS. Nous créons ensuite des couleurs à partir de ces spectres. Nous formons XGBoost sur ces couleurs pour atteindre trois objectifs distincts : détecter l’existence d’eau, l’existence de nuages ​​et l’existence de neige. »

Ce XGBoost formé a montré que les nuages ​​et la neige sont plus faciles à identifier que l’eau, ce qui est attendu puisque les nuages ​​et la neige ont un albédo beaucoup plus élevé (plus grande réflectivité de la lumière du soleil) que l’eau. Ils ont en outre identifié cinq filtres optimaux qui fonctionnaient extrêmement bien pour l’algorithme, tous d’une largeur de 0,2 micromètre et dans la plage de la lumière visible. La dernière étape consistait à effectuer une évaluation de probabilité fictive pour évaluer leur modèle de planète concernant l’eau liquide, la neige et les nuages ​​à partir de l’ensemble des cinq filtres optimaux qu’ils ont identifiés.

« Enfin nous [performed] une brève analyse bayésienne utilisant Markov-Chain Monte Carlo (MCMC) pour effectuer la même tâche sur les cinq filtres optimaux, en tant que méthode d’apprentissage non automatique pour valider notre découverte », a déclaré Pham. « Nos conclusions sont similaires : l’eau est plus dure 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 le XGBoost formé pouvait identifier l’eau à la surface des planètes rocheuses en se basant uniquement sur la couleur. Selon Kaltenegger, c’est ce que sont réellement les filtres : un moyen de séparer la lumière en « casiers » discrets. « Imaginez un bac pour toute la lumière rouge (le filtre « rouge »), puis un bac pour toute la lumière verte, du vert clair au vert foncé (le filtre « vert ») », a-t-elle déclaré.

Leur méthode proposée n’identifie pas l’eau dans les atmosphères d’exoplanètes mais à la surface d’une exoplanète par photométrie. De plus, cela ne fonctionnera pas avec la méthode de transit (aka. Photométrie de transit), qui est actuellement le moyen le plus largement utilisé et le plus efficace de détection d’exoplanètes. Cette méthode consiste à observer des étoiles distantes pour des baisses périodiques de luminosité attribuées à des exoplanètes passant devant l’étoile (alias en transit) par rapport à l’observateur.

À l’occasion, les astronomes peuvent obtenir des spectres de l’atmosphère d’une exoplanète lors d’un transit, un processus connu sous le nom de « spectroscopie de transit ». Au fur et à mesure que la lumière du soleil traverse l’atmosphère de l’exoplanète par rapport à l’observateur, les astronomes l’analyseront avec des spectromètres pour déterminer quels produits chimiques s’y trouvent. À l’aide de son optique sensible et de sa suite de spectromètres, le JWST s’appuiera sur cette méthode pour caractériser les atmosphères des exoplanètes.