Où trouver la prochaine Terre
Une équipe de l’Université de Berne et du Pôle de recherche national (PRN) PlanetS a développé un modèle d’apprentissage automatique qui prédit les systèmes planétaires potentiels avec des planètes semblables à la Terre. Ce modèle pourrait accélérer considérablement et donc révolutionner la recherche de planètes habitables dans l’univers.
La recherche d’exoplanètes semblables à la Terre – des planètes en orbite autour d’étoiles autres que notre Soleil – est un thème central de la recherche planétaire actuelle, car c’est là que l’on a le plus de chances de trouver de la vie extraterrestre. Des chercheurs de l’Université de Berne ont mis au point un modèle innovant d’apprentissage automatique qui identifie les systèmes planétaires susceptibles d’abriter des planètes semblables à la Terre.
L’ensemble de l’équipe à l’origine de ces résultats est, ou était au moment de l’étude, affiliée à l’Université de Berne et membre du PRN PlanetS. La première autrice Dr. Jeanne Davoult, aujourd’hui chercheuse postdoctorale au DLR (Deutsches Zentrum für Luft- und Raumfahrt) à Berlin, étudie les populations d’exoplanètes et a développé le modèle dans le cadre de sa thèse de doctorat à la Division de la recherche spatiale et des sciences planétaires (WP) de l’Institut de physique de l’Université de Berne. Prof. Dr. Yann Alibert, codirecteur du Center for Space and Habitability (CSH), et Romain Eltschinger, également doctorant au CSH, ont apporté d’importantes contributions à l’étude, qui vient d’être publiée dans la revue Astronomy & Astrophysics.
L’intelligence artificielle permet aux scientifiques de prédire l’existence de planètes semblables à la Terre dans la zone habitable de leurs étoiles hôtes. La zone bleue sur l’illustration représente la zone habitable autour de l’étoile, dans laquelle les températures permettent la présence d’eau liquide à la surface d’une planète semblable à la Terre.
© Université de Berne, Illustration: Thibaut Roger
Entraînement avec les données du célèbre modèle de Berne
Un modèle d’apprentissage automatique est un outil statistique qui est entraîné avec des données pour reconnaître certains types de modèles et faire des prédictions. Jeanne Davoult explique : « Notre modèle est basé sur un algorithme que j’ai développé et qui a été entraîné à reconnaître et à classer les systèmes planétaires qui abritent des planètes semblables à la Terre. » Le modèle s’appuie sur des études antérieures pour déduire une corrélation entre la présence ou l’absence d’une planète semblable à la Terre et les propriétés de son système.
L’algorithme a été entraîné et testé à l’aide de données provenant du « Bern Model of Planet Formation and Evolution ». « Le modèle de Berne peut être utilisé pour déterminer comment les planètes se sont formées, comment elles ont évolué et quels types de planètes se développent dans certaines conditions dans un disque protoplanétaire », explique Yann Alibert, coauteur de l’étude. Depuis 2003, le modèle de Berne est continuellement développé à l’Université de Berne (voir aussi l’infobox ci-dessous). « Le modèle de Berne est l’un des seuls modèles au monde à offrir une telle richesse de processus physiques interdépendants et à permettre la réalisation d’une étude telle que celle-ci », poursuit Yann Alibert.
Une précision de 99 % pour le nouveau modèle
L’algorithme du nouveau modèle d’apprentissage automatique a été entraîné et testé à l’aide de données sur des systèmes planétaires synthétiques provenant du modèle de Berne. « Les résultats sont impressionnants : l’algorithme atteint des valeurs de précision allant jusqu’à 0,99, ce qui signifie que 99 % des systèmes identifiés par le modèle d’apprentissage automatique comportent au moins une planète semblable à la Terre », explique Davoult.
Le modèle a ensuite été appliqué à des systèmes planétaires réellement observés. « Le modèle a permis d’identifier 44 systèmes très susceptibles d’abriter des planètes semblables à la Terre non détectées. Une étude complémentaire a confirmé la possibilité théorique pour ces systèmes d’abriter une planète semblable à la Terre », explique Davoult.
Une recherche plus efficace de planètes habitables
Dans le cadre de son mémoire de maîtrise, le co-auteur de l’étude, Romain Eltschinger, a contribué au développement du modèle d’apprentissage automatique, ce qui permet de l’utiliser dans un éventail encore plus large de scénarios. Il déclare : « Ces résultats sont importants pour la communauté scientifique, et en particulier pour les futures missions spatiales telles que PLATO ou les futurs concepts de mission tels que LIFE, qui seront consacrés à la découverte et à la caractérisation de petites planètes froides. »
L’utilisation de ce modèle d’apprentissage automatique pour rechercher plus spécifiquement des planètes semblables à la Terre pourrait minimiser les temps de recherche et maximiser le nombre de découvertes. « Il s’agit d’une étape importante dans la recherche de planètes présentant des conditions favorables à la vie et, en fin de compte, dans la recherche de la vie dans l’univers », conclut Alibert.
Détails de la publication:
Earth-like planets Predictor: A Machine Learning Approach. By Jeanne Davoult, Romain Eltschinger, and Yann Alibert, In: Astronomy & Astrophysics
https://www.aanda.org/10.1051/0004-6361/202452434
DOI: 10.1051/0004-6361/202452434
