Les astronomes de Caltech ont utilisé un algorithme d’apprentissage automatique pour classer 1 000 supernovae de manière totalement autonome. L’algorithme a été appliqué aux données capturées par le Zwicky Transient Facility, ou ZTF, un instrument d’étude du ciel basé à l’observatoire Palomar de Caltech.
« Nous avions besoin d’un coup de main, et nous savions qu’une fois que nous aurions entraîné nos ordinateurs à faire le travail, ils allaient nous soulager d’une grosse charge », explique Christoffer Fremling, astronome à Caltech et le cerveau derrière le nouvel algorithme, surnommé SNIascore. « SNIascore a classé sa première supernova en avril 2021, et, un an et demi plus tard, nous atteignons un joli cap de 1 000 supernovae. »
ZTF scanne le ciel nocturne chaque nuit pour rechercher des changements appelés événements transitoires. Cela comprend tout, des astéroïdes en mouvement aux trous noirs qui viennent de manger des étoiles aux étoiles explosives connues sous le nom de supernovae. ZTF envoie des centaines de milliers d’alertes par nuit aux astronomes du monde entier, les informant de ces événements transitoires. Les astronomes utilisent ensuite d’autres télescopes pour suivre et étudier la nature des objets changeants. Jusqu’à présent, les données ZTF ont conduit à la découverte de milliers de supernovae.
Mais avec des quantités incessantes de données qui affluent chaque nuit, les membres de l’équipe ZTF ne peuvent pas trier toutes les données par eux-mêmes.
« La notion traditionnelle d’un astronome assis à l’observatoire et passant au crible les images du télescope est porteuse de beaucoup de romantisme mais s’éloigne de la réalité », déclare Matthew Graham, scientifique du projet pour ZTF et professeur de recherche en astronomie à Caltech.
L’algorithme d’apprentissage automatique a classé 1 000 supernovae de manière complètement autonome à l’aide des données capturées par ZTF, qui est basé à l’observatoire Palomar de Caltech près de San Diego. La zone vide dans la vidéo en bas à droite représente les régions du ciel du sud qui ne peuvent pas être vues depuis la montagne Palomar.
Au lieu de cela, l’équipe a développé des algorithmes d’apprentissage automatique pour faciliter les recherches. Ils ont développé SNIascore pour la tâche de classer les supernovae candidates. Les supernovae se divisent en deux grandes classes : Type I et Type II. Les supernovae de type I sont dépourvues d’hydrogène, tandis que les supernovae de type II sont riches en hydrogène. La supernova de type I la plus courante se produit lorsqu’une étoile massive vole de la matière à une étoile voisine, ce qui déclenche une explosion thermonucléaire. Une supernova de type II se produit lorsqu’une étoile massive s’effondre sous sa propre gravité.
Actuellement, SNIascore peut classer ce que l’on appelle les supernovae de type Ia, ou les « bougies standard » dans le ciel. Ce sont des étoiles mourantes qui explosent avec une explosion thermonucléaire d’une force constante. Les supernovae de type Ia permettent aux astronomes de mesurer le taux d’expansion de l’univers. Fremling et ses collègues travaillent actuellement à étendre les capacités de l’algorithme pour classer d’autres types de supernovae dans un avenir proche.
Chaque nuit, après avoir capturé des éclairs dans le ciel qui pourraient être des supernovae, ZTF envoie les données à un spectrographe à Palomar qui est logé dans un dôme à quelques centaines de mètres, appelé SEDM (Spectral Energy Distribution Machine). SNIascore travaille avec SEDM pour classer ensuite quelles supernovae sont probablement de type Ia. Le résultat est que l’équipe ZTF construit rapidement un ensemble de données plus fiable sur les supernovae pour que les astronomes puissent approfondir leurs recherches et finalement en apprendre davantage sur la physique des puissantes explosions stellaires.
« SNIascore est remarquablement précis. Après 1 000 supernovae, nous avons vu comment l’algorithme fonctionne dans le monde réel », déclare Fremling. « Nous n’avons trouvé aucun événement clairement mal classé depuis le lancement en avril 2021, et nous prévoyons maintenant de mettre en œuvre le même algorithme avec d’autres installations d’observation. »
Ashish Mahabal, qui dirige les activités d’apprentissage automatique pour ZTF et est le principal scientifique en informatique et en données au Centre de découverte pilotée par les données de Caltech, ajoute : « Ce travail montre bien comment les applications d’apprentissage automatique arrivent à maturité dans l’astronomie en temps quasi réel. »