La chasse aux exoplanètes est un processus extrêmement long, et les données à traiter pour arriver à faire la moindre découverte sont bien nombreuses. Pour réduire un tant soit peu la masse de travail à accomplir pour progresser dans la matière, des chercheurs de Google ont développé une nouvelle façon d’utiliser l’IA, avec des résultats plus efficaces et plus rapides.
Pour repérer une exoplanète, une des méthodes les plus communes consistes à observer la baisse de luminosité provoquée par son passage entre une étoile et notre planète. Ainsi, la mission Kepler de la NASA a passé quatre ans concentrée sur une partie bien précise de l’espace, prenant une photo toutes les 30 minutes, ce qui représente un total de 14 milliards de données concernant environ 200.000 étoiles.
Chris Shallue, spécialiste en recherche sur l’IA chez Google, a fait équipe avec Andrew Vanderburg, un astrophysicien de l’Université du Texas à Austin, afin d’entraîner un système de machine-learning à traiter toutes ces données pour identifier autant d’exoplanètes que possible. L’entraînement consistait à faire traiter au système près de 15.000 signaux de Kepler, déjà connus comme désignant des exoplanètes ou d’autres objets, comme des étoiles binaires. Et les résultats sont très encourageants, puisque le taux de réussite de la machine était de 96%.
