La classification des objets célestes est un problème ancien. Avec des sources situées à des distances presque incroyables, les chercheurs ont parfois du mal à distinguer des objets tels que des étoiles, des galaxies, des quasars ou des supernovae. Pedro Cunha et Andrew Humphrey, chercheurs de l'Instituto de Astrofísica e Ciências do Espaço (IA), ont tenté de résoudre le problème classique en créant SHEEP, un algorithme d'apprentissage automatique qui détermine la nature des sources astronomiques. Andrew Humphrey (IA et 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 de telles tâches. »
SHEEP est un pipeline d'apprentissage automatique supervisé qui estime les décalages photométriques vers le rouge et utilise ces informations pour classer ultérieurement les sources en galaxies, quasars ou étoiles. Avant d'effectuer la classification, SHEEP estime d'abord les décalages photométriques vers le rouge, qui sont ensuite introduits dans l'ensemble de données en tant que caractéristique supplémentaire pour entraîner le modèle de classification.
L'équipe a découvert que l'inclusion du décalage vers le rouge et des coordonnées des objets permettait à l'intelligence artificielle (IA) de les identifier sur une carte XNUMXD de l'univers, et ils l'ont utilisé avec des informations de couleur pour mieux estimer les propriétés de la source. Par exemple, AI a appris que la probabilité de trouver des étoiles plus près du plan de la Voie lactée est plus élevée qu'aux pôles galactiques. Humphrey a ajouté: "Lorsque nous avons permis à l'IA d'obtenir une vue tridimensionnelle de l'univers, cela a vraiment amélioré sa capacité à prendre des décisions précises sur ce qu'est exactement un objet céleste."
Des relevés à grande échelle, à la fois terrestres et spatiaux, tels que le Sloan Digital Sky Survey (SDSS), ont produit de grandes quantités de données, révolutionnant le domaine de l'astronomie. Les futures études de l'observatoire Vera K. Rubin, de l'instrument spectroscopique à énergie noire (DESI), de la mission spatiale Euclid (ESA) ou du télescope spatial James Webb (NASA/ESA) continueront de fournir des informations et des images plus détaillées. Cependant, l'analyse de toutes les données à l'aide de méthodes traditionnelles peut prendre du temps. L'IA ou l'apprentissage automatique seront essentiels pour analyser et tirer le meilleur parti scientifique de ces nouvelles données.
Pedro Cunha déclare : « L'une des parties les plus excitantes est de voir comment l'apprentissage automatique nous aide à mieux comprendre l'univers. Notre méthodologie nous montre un chemin possible, tout en en créant de nouveaux dans le processus. C'est une période exceptionnelle pour l'astronomie."
L'imagerie et les études spectroscopiques sont l'une des principales ressources pour comprendre le contenu visible de l'univers. Les données de ces revues nous permettent de mener des études statistiques sur les étoiles, les quasars et les galaxies, ainsi que de découvrir des objets plus insolites.
Vous pouvez aider l'Ukraine à lutter contre les envahisseurs russes. La meilleure façon de le faire est de faire don de fonds aux forces armées ukrainiennes par le biais de Sauver la vie ou via la page officielle NBU.
Lisez aussi: