Plus de la moitié des 6 000 exoplanètes confirmées à ce jour ont été découvertes grâce aux missions Kepler et TESS de la Nasa. Face à la quantité colossale de données encore inexplorées, une équipe du Ames Research Center a mis au point ExoMiner++, une version améliorée de son outil d'IA. Entraîné sur les données des deux télescopes, il promet de révolutionner la recherche de nouveaux mondes.
Comment fonctionne ExoMiner++ ?
L'algorithme analyse les observations de transits potentiels qui se produisent lorsqu'une planète passe devant son étoile. Sa mission est de distinguer les signaux causés par de véritables candidats exoplanètes de ceux provenant d'autres phénomènes astronomiques. Lors de son premier essai sur les données de TESS, ExoMiner++ a identifié pas moins de 7 000 cibles prometteuses.
Ces candidats devront encore être validés par des observations complémentaires, mais l'outil représente un gain de temps considérable. " Quand vous avez des centaines de milliers de signaux, comme dans ce cas, c'est l'endroit idéal pour déployer ces technologies de deep learning ", explique Miguel Martinho, co-chercheur du projet ExoMiner++.
Pourquoi combiner les données de Kepler et TESS ?
Les deux télescopes spatiaux, Kepler et TESS, n'opèrent pas de la même manière. Tandis que Kepler se concentrait sur une petite parcelle du ciel de manière très approfondie, TESS balaye la quasi-totalité de la voûte céleste en cherchant des planètes autour d'étoiles proches, suivant des stratégies d'observation distinctes.
Malgré ces approches différentes, leurs jeux de données sont compatibles, ce qui a permis d'entraîner ExoMiner++ sur un volume d'informations plus riche et varié. Cette synergie offre des résultats probants avec une grande efficacité.
Quel est l'avenir de cette technologie open source ?
ExoMiner++ est disponible gratuitement sur GitHub, permettant à toute la communauté scientifique de l'utiliser. " Les logiciels open source comme ExoMiner accélèrent la découverte scientifique ", affirme Kevin Murphy, directeur des données scientifiques de la Nasa.
L'équipe travaille déjà à une version capable d'identifier les signaux directement à partir des données brutes. Les avancées réalisées pourraient également permettre d'analyser les données de futures missions, comme celles du télescope spatial Nancy Grace Roman.