Les réseaux neuronaux prédisent la masse des planètes
Pour découvrir comment les planètes se forment les astrophysiciens font de longs et compliqués calculs informatiques. Les membres du PRN PlanetS à Berne ont développé une approche totalement nouvelle pour accélérer considérablement ce processus. Ils utilisent l’apprentissage basé sur les réseaux neuronaux artificiels, une méthode bien connue dans le domaine de la reconnaissance d’images.
Illustration graphique d’un réseau neuronal. (Illustration iStock/Usis)
Les planètes se forment dans des disques stellaires qui accrètent la matière solide et le gaz. Le fait qu’elles deviennent des objets comme la Terre ou Jupiter dépend de différents facteurs comme les propriétés des éléments chimiques, la pression et la température dans le disque et le matériau déjà accumulé. Avec des modèles informatiques, les astrophysiciens essaient de simuler le processus de croissance et de déterminer la structure intérieure de la planète. Ils calculent les masses possibles de l’enveloppe gazeuse d’une planète selon différentes conditions initiales. “Cela nécessite la résolution d’un ensemble d’équations différentielles”, explique Yann Alibert, responsable scientifique du PRN PlanetS de l’Université de Berne, “la résolution de ces équations est une spécialité des astrophysiciens de Berne depuis 15 ans, mais c’est un processus long et compliqué.”
Pour accélérer les calculs, Yann Alibert et Julia Venturini, associée de PlanetS à l’Institut international des sciences spatiales (ISSI) à Berne, ont adopté une méthode qui a déjà fait ses preuves dans de nombreux autres domaines, dont celui du smartphone qu’on tient dans la main : l’apprentissage profond (deep learning). Il est utilisé par exemple pour la reconnaissance de visages et d’images. Cette branche de l’intelligence artificielle et de l’apprentissage automatique a également amélioré la traduction automatique et sera cruciale pour la conduite automobile. “Il y a aussi un grand engouement en astronomie “, explique Yann Alibert, ” l’apprentissage machine a déjà été utilisé pour analyser les observations, mais à ma connaissance, nous sommes les premiers à utiliser l’apprentissage profond à cette fin “. Alibert et Venturini publient leurs résultats dans la revue Astronomy and Astrophysics (A&A).
Base de données de millions de planètes
Tout d’abord, les chercheurs ont dû créer une base de données en calculant des millions de structures intérieures possibles de planètes. “Il nous a fallu trois semaines pour calculer tous ces cas de test à l’aide d’un code développé par Julia Venturini lors de son doctorat à Berne “, explique Yann Alibert. L’étape suivante consistait à décider de l’architecture d’un réseau neuronal artificiel, soit un ensemble d’algorithmes qui transmet les données par des opérations mathématiques et qui a la capacité d’apprendre sans être explicitement programmé. “Ensuite, nous avons exercé ce réseau à l’aide de notre gigantesque base de données “, explique l’astrophysicienne, “il est maintenant capable de prédire la masse d’une planète qui se forme dans certaines conditions avec une très bonne précision et beaucoup plus rapidement que par la résolution des équations différentielles.”
Le processus d’apprentissage profond est beaucoup plus précis que les méthodes développées précédemment pour remplacer la résolution des équations différentielles par certaines formules analytiques. Ces formules analytiques pourraient prédire qu’une planète devrait atteindre la masse de Jupiter, alors qu’en réalité elle ne pourrait pas être plus massive que Neptune. “Nous montrons que nos réseaux neuronaux fournissent une très bonne approximation au niveau des pourcentages “, résume Yann Alibert. Les chercheurs fournissent leurs résultats sur la plateforme de développement de logiciels GitHub, afin que leurs collègues travaillant partout dans le monde dans le domaine de la formation des planètes puissent en bénéficier.
http://arxiv.org/abs/1903.00320
http://nccr-planets.ch/research/phase2/domain2/project5/machine-learning-and-advanced-statistical-analysis/
https://github.com/yalibert/DNN_internal_structure
