L'intelligence artificielle détecte des anomalies dans les données obtenues par le télescope Hubble

Ces dernières décennies, l'astronomie a connu une transformation majeure grâce aux progrès réalisés en matière d'instrumentation, de capteurs et de puissance de calcul. Les télescopes terrestres et spatiaux ont entrepris des relevés multispectraux approfondis, générant d'énormes quantités de données. Les observations à différentes longueurs d'onde, les séries temporelles étendues et les catalogues recensant des milliards de sources sont désormais monnaie courante.

Le revers de la médaille est que cette croissance exponentielle des données a rendu l'analyse manuelle impraticable et limité l'utilisation des méthodes traditionnelles. Même les techniques automatisées peinent à gérer la haute dimensionnalité, le bruit complexe et les phénomènes inhabituels. C'est pourquoi les techniques d'intelligence artificielle, et notamment l'apprentissage automatique, sont devenues essentielles pour extraire des modèles, classifier les objets, détecter les événements transitoires et explorer les vastes bases de données astronomiques.

Un exemple récent est le développement d'un modèle d'IA capable de détecter les anomalies dans les données d'observation. Ce modèle peut identifier les signaux qui s'écartent du comportement attendu. Les astronomes l'ont appliqué aux données du télescope Hubble, ce qui leur a permis de découvrir des phénomènes inédits passés inaperçus lors des analyses manuelles traditionnelles. Ce type d'approche démontre comment l'IA contribue à l'analyse des données et à la découverte scientifique.

Révolution en astronomie

Au début du siècle dernier, le principal problème de l'astronomie était la rareté des données, qui empêchait toute analyse exhaustive. Cependant, ces dernières décennies, la situation semble s'être inversée, l'astronomie disposant désormais d'une telle quantité de données que l'analyse manuelle est devenue impossible. Ce phénomène est dû aux progrès technologiques réalisés dans les domaines des détecteurs, des télescopes et des infrastructures informatiques.

Face à l'augmentation du volume et de la complexité des données, les méthodes traditionnelles d'extraction d'informations se révèlent insuffisantes. La nécessité d'identifier des tendances, des événements rares et des corrélations non linéaires a engendré une forte demande en intelligence artificielle et en techniques d'apprentissage automatique. Ces approches permettent d'analyser de vastes volumes de données avec une plus grande précision, tout en étant automatisées et évolutives.

Le modèle AnomalyMatch

Un nouveau modèle d'intelligence artificielle a été développé pour rechercher des anomalies dans l'ensemble des archives du télescope spatial Hubble. Ce modèle, présenté dans une étude publiée dans la revue Astronomy & Astrophysics, est baptisé AnomalyMatch. Il a été conçu pour identifier des motifs rares ou inattendus sans recourir à des classifications antérieures. Les archives de Hubble constituaient une cible idéale, car elles contiennent des observations continues s'étalant sur plusieurs décennies.

Le modèle a été entraîné à l'aide de données d'observation couvrant environ 35 ans d'observations de Hubble. Au lieu d'analyser des images entières, le réseau neuronal a été entraîné sur près de 100 millions de petits fragments d'images, chacun ne contenant que quelques pixels, ce qui lui a permis de capturer des structures locales subtiles. Cette stratégie a réduit le coût de calcul et accru la sensibilité du système aux écarts statistiques par rapport à la population dominante d'objets astronomiques.

Découvertes en IA

En appliquant AnomalyMatch aux archives du télescope Hubble, des chercheurs ont identifié plus d'un millier d'objets classés comme anormaux en moins de trois jours de traitement. Une partie de ces détections n'avait jamais été publiée auparavant. Ceci démontre que de vastes volumes de données archivées recèlent encore de nombreux phénomènes inexplorés. La plupart des anomalies sont associées à des événements énergétiques, tels que les fusions de galaxies.

Outre les fusions galactiques, le modèle a révélé des classes d'objets rares, comme les galaxies « méduses ». Ces galaxies sont ainsi nommées en raison de leurs longues queues de gaz de formation d'étoiles, de leurs disques protoplanétaires et de leurs systèmes de lentilles gravitationnelles. Certaines détections ne correspondent à aucune catégorie connue, suggérant de nouveaux régimes physiques ou de nouveaux stades d'évolution.

Avantages

L'utilisation de l'IA en astronomie offre des avantages par rapport aux méthodes traditionnelles, notamment en termes de rapidité et d'évolutivité. Les modèles d'apprentissage automatique peuvent analyser des volumes massifs de données dans des délais impossibles à atteindre avec les approches classiques. Ces modèles identifient également des schémas complexes et des corrélations non linéaires sans nécessiter de règles explicites.

Outre sa rapidité, la flexibilité de l'IA facilite son application à divers problèmes astrophysiques, de l'identification d'exoplanètes potentiellement habitables à l'amélioration des images de trous noirs. Ces méthodes ont déjà démontré leur utilité en tant qu'outils complémentaires aux analyses traditionnelles. Il est toutefois important de souligner que l'IA ne remplace pas les scientifiques ; elle constitue plutôt un outil permettant d'appréhender la complexité et l'échelle de l'astronomie moderne.

Références de l'actualité

O'Ryan et Gómez 2026, Identification d'anomalies astrophysiques dans 99,6 millions d'images extraites des archives du télescope Hubble à l'aide d'AnomalyMatch, Astronomie et astrophysique