Pour en savoir plus sur les prises les plus profondes de notre propre galaxie et les mystères de la formation des étoiles, les chercheurs japonais ont créé un modèle d’apprentissage en profondeur. L’équipe dirigée par l’Osaka Metropolitan University a utilisé l’intelligence artificielle pour faire un pore à travers les grandes quantités de données acquises à partir de télescopes spatiaux, trouvant des structures de type bulle qui n’avaient pas été incluses dans les bases de données astronomiques existantes.
Les résultats ont été publiés dans Publications de la Société astronomique du Japon.
La galaxie de la Voie lactée dans laquelle nous vivons, comme d’autres galaxies de l’univers, a des structures en forme de bulles formées principalement lors de la naissance et de l’activité des étoiles de masse haute. Ces soi-disant bulles de Spitzer contiennent des indices importants pour comprendre le processus de formation des étoiles et d’évolution de la galaxie.
Shimpei Nishimoto, étudiant des études supérieures des sciences, et le professeur Toshikazu Onishi ont collaboré avec des scientifiques de tout le Japon pour développer le modèle d’apprentissage en profondeur. En utilisant les données du télescope spatial Spitzer et du télescope spatial James Webb, le modèle utilise la reconnaissance d’image de l’IA pour détecter efficacement les bulles de Spitzer. Ils ont également détecté des structures de type coquille qui auraient été formées par des explosions de supernova.
« Nos résultats montrent qu’il est possible de mener des recherches détaillées non seulement de la formation d’étoiles, mais aussi des effets des événements explosifs au sein des galaxies », a déclaré l’étudiant diplômé Nishimoto.
Le professeur Onishi a ajouté: « À l’avenir, nous espérons que les progrès de la technologie de l’IA accélèrent l’élucidation des mécanismes de l’évolution de la galaxie et de la formation d’étoiles. »
Plus d’informations:
Shimpei Nishimoto et al, reconnaissance des bulles infrarouges dans la voie lactée et au-delà de l’utilisation du Deep Learning, Publications de la Société astronomique du Japon (2025). Doi: 10.1093 / pasj / psaf008