Les lentilles gravitationnelles sont un outil important pour les astronomes qui cherchent à étudier les objets les plus éloignés de l'Univers. Cette technique consiste à utiliser un amas massif de matière (généralement une galaxie ou un amas) entre une source de lumière éloignée et un observateur pour mieux voir la lumière provenant de cette source. Dans un effet prédit par la théorie de la relativité générale d'Einstein, cela permet aux astronomes de voir des objets qui pourraient autrement être obscurcis.
Récemment, un groupe d'astronomes européens a développé une méthode pour trouver des lentilles gravitationnelles dans d'énormes tas de données. En utilisant les mêmes algorithmes d'intelligence artificielle que Google, Facebook et Tesla ont utilisés à leurs fins, ils ont pu trouver 56 nouveaux candidats à la lentille gravitationnelle à partir d'un levé astronomique massif. Cette méthode pourrait éliminer la nécessité pour les astronomes d'effectuer des inspections visuelles des images astronomiques.
L'étude qui décrit leur recherche, intitulée «Trouver de solides lentilles gravitationnelles dans l'enquête Kilo Degree avec des réseaux de neurones convolutifs», a récemment paru dans le Avis mensuels de la Royal Astronomical Society. Dirigée par Carlo Enrico Petrillo de l'Institut astronomique de Kapteyn, l'équipe comprenait également des membres de l'Institut national d'astrophysique (INAF), de l'Argelander-Institute for Astronomy (AIfA) et de l'Université de Naples.
Bien qu'elles soient utiles aux astronomes, les lentilles gravitationnelles sont difficiles à trouver. Habituellement, cela consisterait en des astronomes triant des milliers d'images capturées par des télescopes et des observatoires. Alors que les institutions académiques peuvent compter sur des astronomes amateurs et des astronomes citoyens comme jamais auparavant, il n'y a aucun moyen de suivre des millions d'images qui sont régulièrement capturées par des instruments à travers le monde.
Pour résoudre ce problème, le Dr Petrillo et ses collègues se sont tournés vers ce que l'on appelle les «réseaux neuronaux convulutifs» (CNN), un type d'algorithme d'apprentissage automatique qui extrait des données pour des modèles spécifiques. Alors que Google a utilisé ces mêmes réseaux de neurones pour gagner un match de Go contre le champion du monde, Facebook les utilise pour reconnaître les choses dans les images publiées sur son site, et Tesla les a utilisés pour développer des voitures autonomes.
Comme Petrillo l'a expliqué dans un article de presse récent de la Netherlands Research School for Astronomy:
«C'est la première fois qu'un réseau de neurones convolutionnels est utilisé pour trouver des objets particuliers dans une étude astronomique. Je pense que cela deviendra la norme car les futurs levés astronomiques produiront une énorme quantité de données qu'il faudra inspecter. Nous n'avons pas assez d'astronomes pour faire face à cela. "
L'équipe a ensuite appliqué ces réseaux de neurones aux données dérivées de l'enquête Kilo-Degree Survey (KiDS). Ce projet s'appuie sur le télescope VLT Survey (VST) de l'Observatoire Paranal de l'ESO au Chili pour cartographier 1 500 degrés carrés du ciel nocturne du sud. Cet ensemble de données comprenait 21 789 images couleur collectées par l'OmegaCAM du VST, un instrument multibande développé par un consortium de scientifiques européens en collaboration avec l'ESO.
Ces images contenaient toutes des exemples de galaxies rouges lumineuses (LRG), dont trois étaient connues pour être des lentilles gravitationnelles. Initialement, le réseau neuronal a trouvé 761 candidats de lentilles gravitationnelles dans cet échantillon. Après avoir inspecté visuellement ces candidats, l'équipe a pu réduire la liste à 56 lentilles. Ceux-ci doivent encore être confirmés par des télescopes spatiaux à l'avenir, mais les résultats ont été assez positifs.
Comme ils l'indiquent dans leur étude, un tel réseau de neurones, lorsqu'il est appliqué à de plus grands ensembles de données, pourrait révéler des centaines voire des milliers de nouveaux verres:
"Une estimation prudente basée sur nos résultats montre qu'avec notre méthode proposée, il devrait être possible de trouver? 100 lentilles massives LRG-galaxie à z ~> 0,4 en KiDS une fois terminé. Dans le scénario le plus optimiste, ce nombre peut augmenter considérablement (jusqu'à 2400 lentilles au maximum), lors de l'élargissement de la sélection de l'amplitude des couleurs et de la formation du CNN à reconnaître les systèmes de lentilles de séparation d'image plus petits.
De plus, le réseau neuronal a redécouvert deux des lentilles connues de l'ensemble de données, mais a raté la troisième. Cependant, cela était dû au fait que cette lentille était particulièrement petite et que le réseau neuronal n'était pas formé pour détecter des lentilles de cette taille. À l'avenir, les chercheurs espèrent corriger cela en entraînant leur réseau neuronal à remarquer des lentilles plus petites et à rejeter les faux positifs.
Mais bien sûr, le but ultime ici est d'éliminer complètement la nécessité d'une inspection visuelle. Ce faisant, les astronomes seraient libérés de devoir faire un travail de grognement et pourraient consacrer plus de temps au processus de découverte. De la même manière, les algorithmes d'apprentissage automatique pourraient être utilisés pour rechercher dans les données astronomiques des signaux d'ondes gravitationnelles et d'exoplanètes.
Tout comme la façon dont d'autres industries cherchent à donner un sens aux téraoctets de consommation ou à d'autres types de «mégadonnées», l'astrophysique et la cosmologie de terrain pourraient en venir à s'appuyer sur l'intelligence artificielle pour trouver les modèles dans un univers de données brutes. Et le gain est susceptible d'être rien de moins qu'un processus accéléré de découverte.
