🔭 astrophysics

Identifying Exoplanets with Deep Learning VI. Enhancing neural network mitigation of stellar activity RV signals with additional metrics

En s'appuyant sur six années de données solaires HARPS-N, cette étude démontre qu'un réseau de neurones enrichi par des métriques spécifiques telles que le flux magnétique, l'indice S et les courbes de lumière TSI permet de réduire significativement le bruit de vitesse radiale induit par l'activité stellaire, atteignant ainsi le niveau du bruit de supergranulation nécessaire à la détection d'analogues de la Terre.

Auteurs originaux : Naomi McWilliam, Zoë L. de Beurs, Andrew Vanderburg, Javier Viaña, Annelies Mortier, Lars A. Buchhave, Andrew Collier Cameron, Rosario Cosentino, Xavier Dumusque, Adriano Ghedina, Ben Lakeland, Marcel

Publié 2026-02-23

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Naomi McWilliam, Zoë L. de Beurs, Andrew Vanderburg, Javier Viaña, Annelies Mortier, Lars A. Buchhave, Andrew Collier Cameron, Rosario Cosentino, Xavier Dumusque, Adriano Ghedina, Ben Lakeland, Marcello Lodi, Mercedes López-Morales, Dimitar Sasselov, Alessandro Sozzetti

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🌟 La Chasse aux Planètes Terres : Comment nettoyer le "bruit" du Soleil

Imaginez que vous essayez d'entendre un chuchotement très faible (une planète de la taille de la Terre) dans une pièce remplie de gens qui crient, qui marchent et qui font du bruit (l'activité de l'étoile). C'est exactement le défi des astronomes qui cherchent des planètes semblables à la Terre autour d'étoiles comme notre Soleil.

Pour trouver ces planètes, ils utilisent une technique appelée vitesse radiale. Ils regardent comment l'étoile "vacille" légèrement sous l'effet de la gravité d'une planète qui tourne autour d'elle. Mais il y a un gros problème : l'étoile elle-même est très agitée. Elle a des taches, des éruptions et des mouvements internes qui créent un "bruit" qui ressemble à un vacillement, mais qui n'est pas causé par une planète.

C'est là que cette nouvelle étude entre en jeu.

1. Le Problème : Le Soleil est un menteur

Notre Soleil est comme un acteur qui change constamment de voix. Parfois, il a des taches sombres (comme des boutons), parfois il a des zones brillantes (des taches de rousseur). Ces changements modifient la lumière que nous recevons et trompent nos instruments, leur faisant croire qu'il y a une planète là où il n'y en a pas, ou en cachant une vraie planète.

Pendant des années, les scientifiques ont essayé de filtrer ce bruit, un peu comme on essaie d'isoler la voix d'un chanteur dans une chanson remplie de bruit de fond.

2. La Solution : Un "Cerveau" Artificiel (Intelligence Artificielle)

Les chercheurs ont utilisé une Intelligence Artificielle (IA), et plus précisément un type de réseau neuronal appelé "Deep Learning".

Imaginez que vous donnez à un élève très brillant (l'IA) un manuel d'entraînement pendant six ans. Vous lui montrez :

La lumière brute du Soleil (le "bruit").
Une liste de détails sur la météo du Soleil (la température, les taches magnétiques, la luminosité totale).

L'objectif de l'élève n'est pas de trouver les planètes, mais d'apprendre à reconnaître exactement à quoi ressemble le bruit du Soleil. Une fois qu'il a appris à reconnaître le "style" du vacillement solaire, il peut prédire ce bruit et le soustraire des données.

3. L'Innovation : Ajouter plus d'indices

Dans une étude précédente, l'IA apprenait seulement en regardant la forme globale de la lumière (comme regarder la silhouette d'une personne dans le brouillard).

Dans cette nouvelle étude, les chercheurs ont dit : "Et si on donnait à l'IA plus d'indices ?". Ils lui ont fourni des "métriques" supplémentaires, comme :

La carte magnétique du Soleil : Pour voir où sont les zones d'activité.
La luminosité totale (TSI) : Comme une photo de la luminosité du Soleil, qui change quand une tache passe devant.
La dérivée de la luminosité : Pour voir si la luminosité augmente ou diminue rapidement (comme voir une tache entrer ou sortir du champ de vision).
Des couleurs spécifiques : Au lieu de regarder la lumière blanche, ils ont regardé séparément le bleu, le jaune et le rouge, car les taches solaires affectent les couleurs différemment.

C'est comme passer d'une photo en noir et blanc floue à une vidéo haute définition en 4K avec des lunettes de vision nocturne.

4. Les Résultats : Un silence enfin audible

Le résultat est impressionnant.

Avant l'IA : Le "bruit" de fond (la variation de vitesse) était d'environ 147 cm par seconde. C'est énorme pour détecter une petite planète.
Après l'IA : Le bruit est tombé à 93 cm par seconde.

C'est une amélioration significative ! L'IA a réussi à "nettoyer" le signal beaucoup mieux que les méthodes précédentes. Elle a même réussi à corriger des petits bugs de l'instrument lui-même (comme des sauts de température dans le télescope), ce qui était une surprise agréable.

5. Le Défi Restant : Le "Granité" du Soleil

Malgré cette victoire, il reste encore un peu de bruit (environ 90 cm/s). Les chercheurs disent que ce reste provient probablement de deux choses :

Des erreurs de l'instrument (le télescope qui bouge un tout petit peu).
La "Supergranulation" : Imaginez que la surface du Soleil est comme une bouillie qui bout. Il y a de grosses bulles (granules) qui montent et descendent. Ces mouvements créent un bruit de fond naturel que l'IA actuelle ne peut pas encore totalement prédire, car c'est un phénomène physique complexe qui ne laisse pas de traces magnétiques claires.

Conclusion : Pourquoi c'est important ?

Pour trouver une Terre jumelle (une planète comme la nôtre autour d'un Soleil), nous devons détecter un signal d'environ 10 cm par seconde. Actuellement, nous sommes bloqués à 90 cm/s à cause du bruit du Soleil.

Cette étude est une étape cruciale. Elle nous dit : "Nous avons appris à filtrer le bruit des taches solaires avec une IA. Maintenant, pour aller plus loin, nous devons comprendre et filtrer le bruit des bulles qui bouillent (la supergranulation)."

C'est comme si nous avions réussi à caler le moteur de la voiture pour qu'il ne fasse plus de bruit, mais il reste encore le bruit du vent. Pour entendre le chuchotement de la planète, nous devons maintenant apprendre à éteindre le vent.

1. Problématique

La détection d'exoplanètes de type terrestre (analogues à la Terre) orbitant autour d'étoiles de type solaire via la méthode des vitesses radiales (VR) se heurte actuellement à un « plancher de bruit » d'environ 50 à 100 cm/s. Ce bruit est principalement dû à l'activité stellaire (taches, facules, granulation, supergranulation, cycles magnétiques), qui génère des signaux quasi-périodiques masquant les infimes décalages Doppler causés par des planètes de la taille de la Terre (environ 10 cm/s).

Bien que des méthodes traditionnelles (modèles gaussiens, PCA) et des approches d'apprentissage automatique (réseaux de neurones) aient montré des résultats prometteurs en utilisant les fonctions de corrélation croisée (CCF) en lumière blanche, la précision nécessaire pour caractériser les analogues terrestres n'est pas encore atteinte. L'objectif de cet article est d'améliorer la capacité des réseaux de neurones à prédire et soustraire le bruit induit par l'activité stellaire en intégrant des métriques supplémentaires au-delà de la simple CCF en lumière blanche.

2. Méthodologie

Données :
Les auteurs ont utilisé six années de données d'observation solaire (2015-2021) provenant du spectrographe HARPS-N, ce qui double le volume de données par rapport à l'étude précédente (de Beurs et al. 2022). Les données incluent :

Des spectres solaires réduits pour produire des CCF en lumière blanche et chromatiques (bleu, jaune, rouge).
Des mesures d'irradiance solaire totale (TSI) provenant des satellites SORCE et TSIS-1.
Des données de flux magnétique non polarisé (unsigned magnetic flux) issues de l'imager magnétique et héliosismique (HMI) du satellite SDO.
Des indicateurs d'activité spectraux : indices S, largeurs équivalentes (EW) des raies H $\alpha$ et Na D, bisecteurs, et largeurs à mi-hauteur (FWHM).

Prétraitement :
Les données ont été nettoyées pour éliminer les effets de l'atmosphère terrestre et des nuages. Les CCF ont été centrés et normalisés pour que le réseau de neurones (RNN) apprenne spécifiquement les changements de forme (induits par l'activité) plutôt que les décalages translationnels (induits par les planètes). Les données TSI de SORCE et TSIS-1 ont été fusionnées et dérivées temporellement.

Modélisation (Réseaux de Neurones Convolutifs - CNN) :

Architecture : Des CNN feed-forward ont été entraînés pour prédire la composante de l'activité stellaire dans les VR.
Entrées : Le modèle prend en entrée la CCF en lumière blanche (49 éléments) et, selon les configurations testées, une ou plusieurs métriques supplémentaires (flux magnétique, TSI, dérivée TSI, EW, etc.).
Entraînement : Utilisation de la validation croisée k-fold (k=10) et d'une recherche aléatoire d'hyperparamètres (taux d'apprentissage, taille des noyaux, nombre de filtres, etc.) pour optimiser la performance.
Évaluation : La performance est mesurée par l'erreur quadratique moyenne (RMSE) et, plus important pour la robustesse aux valeurs aberrantes, par l'écart-type des percentiles ( $\sigma_{percentile}$ ), calculé sur les 16e et 84e percentiles des résidus.

3. Contributions Clés

Extension des données : Passage de 3 à 6 années de données HARPS-N solaires, permettant une analyse sur un cycle solaire plus complet incluant des périodes de minimum solaire.
Intégration de métriques multiples : Test systématique de l'ajout de nouvelles entrées au modèle de réseau de neurones, notamment le flux magnétique non polarisé, la TSI et sa dérivée, les CCF chromatiques et divers indicateurs spectraux.
Identification des tracers efficaces : Démonstration que certaines métriques (flux magnétique, TSI, dérivée TSI) améliorent significativement la prédiction du bruit, tandis que d'autres (bisecteur, EW des raies Na D) n'apportent pas d'information supplémentaire par rapport à la CCF seule.
Détection d'artefacts instrumentaux : Le modèle a appris à corriger non seulement l'activité stellaire, mais aussi des artefacts instrumentaux (jumps lors des réchauffements du cryostat), sans que ces informations ne soient explicitement fournies en entrée.

4. Résultats

Réduction du bruit : Le modèle de référence utilisant uniquement la CCF en lumière blanche a réduit la dispersion des VR de 147,1 cm/s à 102,6 cm/s (sur l'ensemble des données).
Amélioration avec métriques supplémentaires : L'intégration du flux magnétique non polarisé et de la dérivée de la TSI dans le modèle a permis de réduire la dispersion des VR corrigées à 93,3 cm/s sur l'ensemble de test (et 91,6 cm/s sur l'ensemble complet).
Métriques les plus performantes : Les indicateurs ayant le plus réduit le $\sigma_{percentile}$ sont le flux magnétique non polarisé, la TSI, sa dérivée, l'indice S, les CCF chromatiques, la largeur équivalente de H $\alpha$ , ainsi que le contraste et la FWHM de la CCF.
Métriques inefficaces : Le bisecteur inverse (BIS) et les largeurs équivalentes des raies Na D1 et D2 n'ont pas amélioré les performances, suggérant que l'information qu'ils contiennent est déjà capturée par la CCF en lumière blanche.
Tests d'injection : Des tests d'injection de signaux planétaires simulés (orbites de 400 jours) ont montré que le modèle préserve les signaux planétaires. Les signaux avec une amplitude semi-cinématique $K \ge 0,4$ m/s (correspondant à une planète de ~5,16 masses terrestres) ont été récupérés avec succès, tandis que les signaux plus faibles ( $K=0,3$ m/s) étaient à la limite de la détection.
Analyse fréquentielle : Les périogrammes de Lomb-Scargle montrent que les pics correspondant à la rotation stellaire (~27 jours) et aux cycles magnétiques à long terme sont efficacement supprimés par le modèle.

5. Signification et Perspectives

Limites actuelles : Malgré une réduction significative du bruit, la dispersion résiduelle de 93 cm/s reste bien au-dessus du seuil de 10 cm/s nécessaire pour détecter une Terre autour d'un Soleil. L'analyse suggère que le bruit résiduel est dominé par deux facteurs : le bruit instrumental (instabilité de la solution de longueur d'onde, ~49 cm/s) et la supergranulation (68-86 cm/s).
Rôle de la supergranulation : Contrairement à l'activité magnétique, la supergranulation se manifeste par des décalages translationnels et des effets non magnétiques que les indicateurs actuels (flux magnétique, TSI) ne capturent pas bien. De plus, le prétraitement des données (centrage des CCF) rend le modèle moins sensible à ces décalages translationnels.
Conclusion : Pour atteindre la précision extrême requise pour les analogues terrestres, il est crucial de développer de nouveaux traceurs spécifiques à la (super)granulation. L'utilisation de spectres à très haute résolution (R > 190 000) ou d'autres observables (comme les Dopplergrammes du SDO) pourrait être nécessaire pour identifier et modéliser ces phénomènes.
Application future : Les méthodes développées ici, bien que testées sur le Soleil, sont conçues pour être adaptées aux autres étoiles, potentiellement via des approches de régression linéaire combinant CCF et indicateurs d'activité, ouvrant la voie à la détection de planètes habitables autour d'étoiles de type solaire.