Pour mieux comprendre la formation d’étoiles, l’astrophysique se dote d’un nouvel outil : le machine learning. Des chercheurs du CNRS, de l’Institut de radioastronomie millimétrique (Iram) et de l’Observatoire de Paris-PSL se sont saisis de cette technique d’intelligence artificielle pour améliorer leur observation de la nébuleuse Orion. Et comprendre plus précisément comment naissent les étoiles.
"L’objectif de nos recherches est d’étudier la structure et la composition d’un nuage moléculaire particulier, Orion-B, pour comprendre comment ces paramètres influent sur la formation d’étoiles", explique Maryvonne Gerin, directrice de recherche du CNRS à l’Observatoire de Paris-PSL.
Quantité astronomique de données
Ces recherches – structurées par le programme international ORION-B – utilisent le télescope millimétrique de l’Iram : un radiotélescope de 30 mètres de diamètre perché à 2 850 mètres d’altitude dans la Sierra Nevada espagnole. "La matière stellaire émet des ondes invisibles à l’œil nu, des ondes radio à très haute fréquence, précise l’astrophysicienne. Chaque molécule envoie des ondes d’une fréquence particulière, qui fait office de signature."
C’est une des particularités du programme de recherche : étudier les émissions de la nébuleuse sur un large spectre de fréquences, permettant ainsi d’obtenir une image précise de la composition d’Orion-B. Mais cette cartographie représente une quantité astronomique de données, que les méthodes classiques ne permettent pas d’étudier dans leur ensemble. C’est là qu’intervient l’intelligence artificielle.
Combiner l’étude de fréquences
"Le machine learning est un outil qui nous permet d’appréhender ce jeu de données, explique Maryvonne Gerin. Il nous permet notamment d’estimer des choses qui ne sont pas présentes directement dans les mesures." En combinant l’étude de différentes fréquences par exemple, l’apprentissage machine a permis de faire apparaître des informations jusqu’alors invisibles, comme la quantité d’hydrogène ou d’électrons libres dans la nébuleuse.
La chercheuse explique aussi qu’un des nombreux modèles d’apprentissage machine utilisés a permis de définir la quantité de matière ionisée présente dans Orion-B, "une quantité infime, mais très importante pour la naissance d’étoiles", estime-t-elle.
Faire évoluer les connaissances en IA
Ces travaux, qui ont fait l’objet de trois publications dans la revue Astronomy & Astrophysics le 19 novembre, vont perdurer, avec pour objectif d’améliorer la précision des observations ou encore de mesurer les vitesses de déplacement des molécules à l’intérieur du nuage. Ils auront aussi pour objectif de faire évoluer les connaissances en intelligence artificielle.
"Le machine learning va nous permettre de définir un nouveau cadre de méthode et de nouveaux outils, estime Maryvonne Gerin. Il y a différentes manières d’exploiter cette technologie, différents algorithmes à développer." Selon la chercheuse, les recherches futures permettront aussi de "définir de nouvelles méthodologies dans le domaine, qui pourront résoudre de nouveaux problèmes d’astrophysique". Et, pourquoi pas, trouver des applications dans d’autres domaines scientifiques.
