L’ère des mégadonnées est arrivée et il n’y a pratiquement aucun domaine de la recherche scientifique qui ne soit pas touché. Prenez l’astronomie, par exemple. Grâce à des instruments, des logiciels et un partage de données de pointe, les observatoires du monde entier accumulent des centaines de téraoctets en une seule journée et entre 100 et 200 pétaoctets par an. Une fois que les télescopes de nouvelle génération seront opérationnels, l’astronomie entrera probablement dans «l’ère de l’exaoctet», où 1018 octets (un quintillion) de données sont obtenus chaque année. Pour suivre ce volume, les astronomes se tournent vers l’apprentissage automatique et l’IA pour gérer le travail d’analyse.
Alors que l’IA joue un rôle croissant dans l’analyse des données, il existe des cas où les astronomes citoyens se révèlent plus capables. En examinant les données recueillies par le Dark Energy Survey (DES), l’astronome amateur Giuseppe Donatiello a découvert trois galaxies faibles qu’un algorithme d’apprentissage automatique avait apparemment manquées. Ces galaxies, toutes satellites de la Galaxie du Sculpteur (NGC 253), sont désormais nommées Donatello II, III et IV, en son honneur. En cette journée de recherche axée sur les données, il est bon de savoir que parfois rien ne remplace les globes oculaires et l’intellect humains.
La présence de ces satellites autour de la Galaxie du Sculpteur (NGC 253), située à 11,4 millions d’années-lumière de la Terre, a été confirmée par une équipe d’astronomes utilisant le Le télescope spatial Hubble. L’équipe était dirigée par Burçin Mutlu-Pakdil, professeur adjoint d’astrophysique au Dartmouth College (qui a donné son nom à la galaxie de Burçin). L’image ci-dessous faisait partie d’une série d’images à longue exposition de galaxies faibles, qui montre Donatiello II au centre. L’image est depuis devenue une image de la semaine sur le site Web de l’Agence spatiale européenne (ESA).
Le recours à l’IA a considérablement augmenté ces dernières années en réponse directe à l’augmentation exponentielle des données obtenues par les observatoires astronomiques. Ces derniers mois, des algorithmes d’apprentissage automatique ont été développés pour rechercher des exoplanètes, des sursauts radio rapides (FRB), d’éventuelles technosignatures et cartographier l’époque connue sous le nom de Cosmic Dawn. Mais en ce qui concerne le DES, une collaboration internationale dédiée à la cartographie du cosmos pour mesurer la nature et l’influence de l’énergie noire, l’algorithme qu’ils ont utilisé n’a pas réussi à détecter ces galaxies satellites.
Ce n’est pas si surprenant puisque même les meilleurs algorithmes ont leurs limites. Pour développer des techniques d’apprentissage automatique, les astronomes entraîneront leurs algorithmes à l’aide d’images et de données de phénomènes spécifiques. Parce que certaines galaxies sont si faibles, les IA ont du mal à les distinguer des étoiles individuelles et du bruit de fond. Lorsque cela se produit, l’identification doit être effectuée en utilisant la méthode à l’ancienne des globes oculaires entraînés passant au peigne fin des piles d’images et de données brutes.
Prends ça, Skynet !
Lectures complémentaires : NASA, ESA
