Enabling New Discoveries with Machine Learning
Cet article passe en revue le cadre Astronomaly et démontre comment la combinaison de l'apprentissage profond avec une intervention humaine active permet d'automatiser la découverte scientifique en identifiant des objets astronomiques rares et nouveaux dans les ensembles de données massifs générés par les télescopes de nouvelle génération.
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 par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
L'univers devient trop bruyant pour que l'oreille humaine puisse l'écouter seule. Dans les années à venir, de nouveaux télescopes massifs commenceront à scanner le ciel, capturant des images et des signaux à un rythme qui dépasse tout ce que les astronomes ont connu jusqu'à présent. Un projet, l'Observatoire Vera C. Rubin, cataloguera finalement environ 20 milliards de galaxies optiques et détectera quelque chose changeant dans le ciel plus de 10 millions de fois chaque nuit. Un autre, le Square Kilometre Array, découvrira plus d'un milliard de galaxies radio. Lorsque les données arriveront en quantités aussi écrasantes, l'ancienne méthode consistant pour un scientifique à s'asseoir pour examiner chaque image ou signal un par un deviendra impossible. Le défi n'est plus seulement de collecter les données, mais de trouver l'aiguille dans la botte de foin quand la botte de foin est de la taille d'une planète.
Pour résoudre cela, les chercheurs se tournent vers l'apprentissage automatique, un domaine où les ordinateurs apprennent à reconnaître des modèles sans être explicitement programmés pour chaque règle. Cependant, un simple programme informatique qui signale tout ce qui est inhabituel ne suffit pas. Dans un ensemble de données rempli de milliards d'objets, un ordinateur pourrait signaler un défaut de la caméra ou une tache sur une lentille comme étant « étrange », même si cela n'a aucune valeur scientifique. Le véritable objectif est de trouver les anomalies réellement intéressantes : les objets rares, nouveaux ou inattendus qui pourraient réécrire notre compréhension du cosmos. C'est ici qu'intervient le travail de Michelle Locher et de ses collègues, offrant une nouvelle façon de combler le fossé entre la puissance de calcul brute et la curiosité humaine.
Les chercheurs ont développé un outil appelé astronomaly, un système conçu pour aider les scientifiques à passer au crible ces ensembles de données massifs de manière efficace. Au lieu d'essayer d'enseigner à l'ordinateur exactement à quoi ressemble un nouvel objet — ce qui est impossible si personne n'en a jamais vu auparavant — le système utilise une méthode appelée apprentissage actif. Dans ce processus, l'ordinateur scanne les données et présente une petite sélection des candidats les plus prometteurs à un scientifique humain. Le scientifique les étiquette ensuite comme intéressants ou non intéressants. L'ordinateur apprend de ces choix, affinant sa compréhension de ce que l'humain juge précieux, puis trie le reste des données en conséquence. Cela crée un partenariat où la machine gère le gros du travail de tri, tandis que l'humain apporte l'intuition nécessaire pour repérer les découvertes véritablement significatives.
Cette approche a déjà conduit à des découvertes réelles. En utilisant astronomaly, l'équipe a identifié un nouveau type de source radio nommée SAURON, qui signifie Steep and Uneven Ring of Nonthermal radiation (Anneau de rayonnement non thermique abrupt et irrégulier). Cet objet, trouvé dans les données du MeerKAT Galaxy Cluster Legacy Survey, ne ressemble à aucune source connue et pourrait être le vestige de la fusion de deux trous noirs supermassifs. Le système a également aidé à découvrir des étoiles variables inhabituelles et des fusions de galaxies qui avaient été manquées par les méthodes traditionnelles. Dans un cas, l'outil a analysé près de 4 millions d'images optiques du Dark Energy Camera Legacy Survey, mettant en évidence une douzaine de sources spécifiques que les experts humains ont jugées les plus intrigantes, y compris des objets qui défiaient les classifications standards.
Un élément clé de ce succès réside dans la manière dont l'ordinateur comprend les données. Pendant des décennies, les scientifiques devaient concevoir manuellement les caractéristiques que l'ordinateur devait rechercher, telles que la forme d'une galaxie ou la luminosité d'une étoile au fil du temps. Cette étape difficile limitait souvent ce que l'ordinateur pouvait trouver. Le nouveau travail montre qu'en utilisant l'apprentissage profond (deep learning), une forme plus avancée d'apprentissage automatique, l'ordinateur peut découvrir ces caractéristiques par lui-même. En entraînant un ordinateur à reconnaître des motifs complexes dans les images, le système peut créer une carte interne riche des données. Lorsque les chercheurs ont appliqué cette méthode, ils ont constaté que l'ordinateur pouvait regrouper des galaxies similaires et séparer les plus inhabituelles avec une précision bien plus grande qu'auparavant.
Cependant, les chercheurs ont découvert un tournant subtil mais important dans le fonctionnement de ces systèmes avancés. Lors de l'utilisation de caractéristiques plus anciennes, conçues manuellement, les objets étranges avaient tendance à se situer à la périphérie de la carte de données, ce qui les rendait faciles à repérer comme des valeurs aberrantes. Mais avec les nouvelles méthodes d'apprentissage profond, les objets étranges se trouvaient souvent au cœur de la carte, mélangés aux objets normaux. Un ordinateur qui ne chercherait que les éléments situés en périphérie les manquerait. Pour résoudre cela, l'équipe a affiné son approche avec une version de l'outil appelée astronomaly: protege. Au lieu de simplement chercher des anomalies statistiques, cette version se concentre entièrement sur ce que l'utilisateur humain trouve intéressant, apprenant directement de ses retours pour naviguer dans la carte complexe des données.
L'article conclut que l'avenir de la découverte en astronomie dépend de ce type spécifique de partenariat entre l'homme et la machine. À mesure que l'afflux de données provenant des nouveaux télescopes augmente, la capacité d'automatiser la recherche de l'extraordinaire sera essentielle. Les chercheurs soutiennent que, puisque le caractère « intéressant » est une qualité subjective qui varie d'un scientifique à l'autre, la meilleure voie à suivre n'est pas de tenter de le définir parfaitement en code, mais de construire des systèmes qui l'apprennent de nous. En combinant la vitesse des machines avec l'intuition des experts humains, les astronomes peuvent s'assurer que la prochaine grande découverte, peut-être aussi surprenante que la découverte du premier pulsar par Jocelyn Bell Burnell en 1967, ne soit pas perdue dans le bruit.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.