Optimizing Deep Learning Photometric Redshifts for the Roman Space Telescope with HST/CANDELS

Imaginez le télescope spatial Nancy Grace Roman comme un appareil photo géant et ultra-puissant sur le point de prendre une photo massive de l'univers entier. Son objectif est de capturer des centaines de millions de galaxies, depuis celles qui sont proches jusqu'à celles si éloignées qu'elles ne sont que de faibles taches lumineuses.

Pour comprendre ces galaxies, les astronomes doivent connaître leur décalage vers le rouge (redshift). Considérez le décalage vers le rouge comme un « compteur de vitesse cosmique » qui vous indique à quelle vitesse une galaxie s'éloigne de nous. Parce que l'univers est en expansion, plus une galaxie s'éloigne rapidement, plus sa lumière s'étire (se décale vers l'extrémité rouge du spectre). Connaître le décalage vers le rouge vous indique à quelle distance se trouve la galaxie et depuis combien de temps sa lumière a commencé son voyage.

Le problème ? Mesurer cette vitesse avec précision nécessite généralement un « spectroscope » (un outil qui décompose la lumière en un arc-en-ciel pour l'analyser en détail). Mais le télescope Roman prendra tellement de photos qu'il n'y aura pas assez de temps ni de ressources pour utiliser des spectroscopes sur chaque galaxie individuelle. La plupart des galaxies n'auront qu'une mesure « photométrique » — essentiellement, simplement leur luminosité dans quelques filtres de couleurs différents.

Cet article se demande : Pouvons-nous utiliser l'Intelligence Artificielle (IA) pour deviner le décalage vers le rouge de ces galaxies en regardant simplement leurs images, même lorsque nous ne disposons pas des données détaillées du « compteur de vitesse » pour la plupart d'entre elles ?

Voici comment les chercheurs ont abordé ce problème, en utilisant une analogie simple :

1. Le Défi : L'IA « Aveugle »

Les chercheurs ont testé trois types différents d'« étudiants » IA pour voir lequel pouvait apprendre à deviner les décalages vers le rouge le mieux. Ils ont utilisé des données du télescope spatial Hubble (spécifiquement l'enquête CANDELS) comme substitut de ce que verra le télescope Roman.

• Étudiant A (L'École Ancienne) : Cet étudiant ne regardait que les chiffres (la luminosité de la galaxie dans différentes couleurs). C'est comme essayer de deviner l'âge d'une personne en regardant uniquement une liste de sa taille et de son poids. C'est acceptable, mais cela manque de détails.
• Étudiant B (Entièrement Supervisé) : Cet étudiant regardait les images réelles des galaxies. Il avait un « professeur » (des données étiquetées) qui lui indiquait le décalage vers le rouge correct pour chaque image qu'il étudiait. Il a appris à repérer des motifs dans les pixels que les chiffres seuls ne pouvaient pas voir.
• Étudiant C (Autodidacte) : Cet étudiant a regardé toutes les images (même celles sans professeur) pour apprendre à quoi ressemblent les galaxies en général. Ensuite, il a essayé d'utiliser cette connaissance pour deviner les décalages vers le rouge de celles qui avaient un professeur. Les chercheurs espéraient que cela fonctionnerait comme un humain qui apprend à reconnaître des voitures en regardant des milliers de photos, puis utilise cette compétence pour identifier un modèle spécifique.

2. La Surprise : L'Étudiant « Autodidacte » a Peiné

Les chercheurs ont constaté que l'Étudiant B (Entièrement Supervisé) était excellent, battant le calculateur de chiffres de l'ancienne école. Cependant, l'Étudiant C (Autodidacte) a été une déception.

Pourquoi ? Les chercheurs ont utilisé un outil spécial (appelé UMAP) pour visualiser ce que l'IA « pensait » réellement. Ils ont découvert que l'Étudiant C accordait principalement son attention à la luminosité de la galaxie et à sa taille apparente. Il ignorait les couleurs et les détails de forme qui sont en réalité cruciaux pour déterminer le décalage vers le rouge.

Pensez-y ainsi : si vous essayez de deviner l'âge de quelqu'un et que vous ne regardez que sa taille, vous pourriez avoir raison pour un enfant, mais vous serez complètement à tort pour un adulte. L'IA « autodidacte » était trop focalisée sur la taille et la luminosité, manquant les indices subtils de couleur qui changent à mesure que les galaxies vieillissent et s'éloignent.

3. La Solution : L'Étudiant « Triple-Tâche » (PITA)

Pour corriger cela, l'équipe a créé un nouvel étudiant nommé PITA (Photo-z Inference with a Triple-task Algorithm / Inférence de photo-z avec un algorithme à triple tâche). Cet étudiant est un apprenant « semi-supervisé », ce qui signifie qu'il apprend à la fois des images avec professeurs et des images sans professeurs, mais d'une manière très spécifique.

PITA doit jongler avec trois tâches à la fois :

1. Tâche 1 (Le Généraliste) : Regarder toutes les images (étiquetées et non étiquetées) et apprendre l'« ambiance » générale des galaxies (morphologie).
2. Tâche 2 (Le Coloriste) : Regarder chaque galaxie et essayer de deviner ses couleurs. Cela force l'IA à prêter attention à la couleur, et pas seulement à la luminosité.
3. Tâche 3 (L'Expert en Décalage vers le Rouge) : Regarder uniquement les galaxies ayant un « professeur » et essayer de deviner le décalage vers le rouge.

En forçant l'IA à accomplir ces trois tâches simultanément, PITA crée une carte mentale où les galaxies sont organisées de manière fluide selon leur couleur, leur taille et leur décalage vers le rouge. C'est comme organiser une bibliothèque non seulement par la taille du livre, mais aussi par genre, auteur et date de publication, le tout en même temps.

4. Les Résultats

PITA a gagné. Il a surpassé toutes les autres méthodes, y compris le calculateur de chiffres de l'ancienne école et l'IA entièrement supervisée.

• Il était plus précis : Il a fait moins de suppositions farfelues (valeurs aberrantes).
• Il était plus robuste : Même lorsque les chercheurs lui ont donné moins de « professeurs » (moins de décalages vers le rouge étiquetés), PITA a toujours mieux performé que les autres. Ceci est crucial car le télescope Roman aura des millions de galaxies mais très peu de « professeurs » pour celles qui sont faibles et lointaines.

La Conclusion

L'article conclut que pour la future mission du télescope spatial Roman, la meilleure façon de deviner les distances des galaxies est d'utiliser une IA semi-supervisée (comme PITA) qui apprend de l'océan vaste d'images non étiquetées tout en étant guidée par des tâches spécifiques de prédiction des couleurs et des décalages vers le rouge.

Il ne suffit pas de laisser l'IA « regarder » les images ; vous devez lui donner des devoirs spécifiques (prédire les couleurs) pour vous assurer qu'elle apprend réellement les bonnes caractéristiques. Cette approche permet aux astronomes d'obtenir les mesures de distance les plus précises possibles, même pour les galaxies les plus faibles et les plus lointaines de l'univers.