ACTUALITÉ SCIENTIFIQUE
ET INNOVATION DE L'ÉTS
L’apprentissage profond révolutionne l’astrophysique - Par : Hanen Hattab,

L’apprentissage profond révolutionne l’astrophysique


Hanen Hattab
Hanen Hattab est doctorante en sémiologie à l’UQAM. Ses recherches portent sur les pratiques d’art et de design subversifs et contre culturels comme le vandalisme artistique, le sabotage et les détournements culturels.

Les mirages gravitationnels ou effets lenticulaires gravitationnels

L’image d’entête provient de Pixabay. Domaine public.

Des chercheurs du Département d’énergie du Kavli Institute for Particle Astrophysics and Cosmology (KIPAC) et de la Stanford University, ont créé un réseau neuronal capable d’analyser les images présentant l’effet lenticulaire gravitationnel beaucoup plus rapidement que les méthodes classiques.

Les applications récentes des réseaux de neurones dans l’astrophysique permettaient seulement d’effectuer des classifications, en reconnaissant par exemple les images qui présentent cet effet. Grâce à la nouvelle méthode de l’équipe de Stanford, il est possible de trier de grandes quantités de données et d’effectuer des analyses complexes très rapidement et de manière entièrement automatisée. Dans l’avenir, cette prouesse participera à la transformation de l’astrophysique et contribuera à la production de plus de données pour l’exploration de l’Univers.

Le Grand Télescope d’étude synoptique, actuellement en construction chez SLAC, possède une caméra de 3,2 gigapixels qui fournira des vues inédites de l’Univers en capturant des dizaines de milliers d’images de l’effet lenticulaire gravitationnel en plus des quelques centaines déjà connues. L’analyse de ces images donne notamment des indices importants sur la répartition des masses des corps célestes dans l’espace, l’évolution de cette distribution au fil du temps, les propriétés liées à la matière noire invisible, qui représente 85 % de toute la matière dans l’Univers, et l’énergie sombre qui accélère l’expansion de l’Univers.

L’effet lenticulaire gravitationnel appelé aussi mirage gravitationnel

Les grands corps célestes, comme la matière noire et les galaxies, déforment la structure spatio-temporelle de l’Univers. Lorsqu’un rayon de lumière émis par un astre passe par une zone occupée par un de ces corps, son chemin est dévié suivant la déformation engendrée par ce dernier. Suivant l’alignement de l’astre, du corps céleste et de l’observateur, on pourra percevoir l’image en double ou en quadruple (croix d’Einstein), ou encore un halo (anneau de feu d’Einstein).

L’analyse des mirages gravitationnels est un processus coûteux et très complexe. Il nécessite des étapes de préparation de données et d’analyse par algorithme d’optimisation non linéaire (downhill simplex method). Cette méthode révolue compare les images réelles des mirages à un grand nombre de simulations informatiques basées sur des modèles mathématiques. L’étude d’un seul mirage requiert souvent un travail de plusieurs mois.

Grâce à la nouvelle technologie, l’équipe a analysé des images réelles réalisées par le télescope Hubble de la NASA en quelques secondes. Pour ce faire, ils ont d’abord alimenté les réseaux neuronaux d’un demi-million d’images simulées de mirages gravitationnels. Les réseaux ont ensuite pu analyser de nouveaux mirages presque instantanément, avec une précision comparable aux méthodes d’analyse classiques. Cette nouvelle méthode permet de déterminer les propriétés des mirages, la distribution des masses des corps qui les ont provoqués et la déflexion des rayons lumineux.

Dans un document distinct, soumis à The Astrophysical Journal Letters, l’équipe présente notamment la capacité de ces réseaux à cerner les résultats problématiques.

Le réseau de neurones utilisé est de type convolutif (CNN), une méthode d’apprentissage automatique reposant sur l’apprentissage profond. Ce type de réseau est inspiré du cerveau humain et est souvent utilisé pour la reconnaissance d’images et de vidéos. Les neurones y sont organisés en couches, chaque neurone étant associé à un pixel de l’image analysée.

Le réseau de neurones convolutif

Chaque couche cherche une propriété particulière dans l’image. Lorsque la première couche trouve un résultat, elle transmet l’information à la couche suivante, qui cherche à son tour une autre propriété à partir du contenu précédent, et ainsi de suite. Les neurones ont, en outre, appris par eux-mêmes à déduire les propriétés qu’elles doivent chercher dans une image.

L’un des réseaux de neurones que l’équipe a réalisés et testés a été conçu pour fonctionner sur les téléphones intelligents.

Cette étude s’intitule « Fast automated analysis of strong gravitational lenses with convolutional neural networks ». Elle a été publiée le 30 août 2017 dans le revue scientifique Nature.

 

Hanen Hattab

Profil de l'auteur(e)

Hanen Hattab est doctorante en sémiologie à l’UQAM. Ses recherches portent sur les pratiques d’art et de design subversifs et contre culturels comme le vandalisme artistique, le sabotage et les détournements culturels.

Profil de l'auteur(e)


Domaines d'expertise :

Intelligence artificielle 

commentaires

    Laisser un commentaire

    Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *