Les astronomes ont identifié plus de 100 exoplanètes jusqu’alors indétectables – des mondes en orbite autour d’étoiles situées au-delà de notre Soleil – en appliquant l’intelligence artificielle aux données collectées par le Transiting Exoplanet Survey Satellite (TESS) de la NASA. Cette découverte, pilotée par un nouveau programme d’IA appelé RAVEN, laisse également entrevoir 2 000 exoplanètes potentielles supplémentaires, dont environ la moitié étaient auparavant inconnues.
La puissance de l’IA dans la chasse aux exoplanètes
La mission TESS identifie les exoplanètes en détectant la légère diminution de la lumière d’une étoile lorsqu’une planète passe devant elle, un phénomène connu sous le nom de « transit ». RAVEN a analysé plus de 2,2 millions d’étoiles observées au cours des quatre premières années de TESS, en se concentrant sur les planètes aux orbites extrêmement étroites – complétant une orbite en seulement 16 jours terrestres. Cette capacité à localiser ces mondes en orbite rapide est cruciale car elle permet aux scientifiques de mieux comprendre à quel point ils sont courants et où ils se produisent le plus fréquemment.
Confirmation des candidats : un défi de taille
Actuellement, le catalogue d’exoplanètes de la NASA contient environ 6 000 planètes confirmées, mais des milliers de candidates restent non vérifiées. Le principal obstacle consiste à faire la distinction entre les véritables transits planétaires et d’autres événements qui les imitent, comme les éclipses d’étoiles binaires. RAVEN résout directement ce problème en analysant les données avec l’apprentissage automatique pour identifier des modèles indiquant de véritables planètes.
RAVEN’s Edge : un pipeline complet
RAVEN se distingue car il gère l’ensemble du processus de détection des exoplanètes en un seul flux de travail, de la détection du signal initial à la validation de l’apprentissage automatique et à la confirmation statistique. Cela contraste avec de nombreux outils existants qui se concentrent uniquement sur des étapes spécifiques du processus.
« RAVEN nous permet d’analyser d’énormes ensembles de données de manière cohérente et objective », explique David Armstrong, chercheur à l’Université de Warwick. “Comme le pipeline est bien testé et soigneusement validé, il ne s’agit pas seulement d’une liste de planètes potentielles – il est également suffisamment fiable pour être utilisé comme échantillon pour cartographier la prévalence de types distincts de planètes autour d’étoiles semblables au Soleil.”
Cartographie des populations planétaires et du « désert neptunien »
L’analyse confirme qu’environ 10 % des étoiles semblables au Soleil hébergent des planètes proches, ce qui concorde avec les observations antérieures de la mission Kepler de la NASA. Surtout, RAVEN a également fourni une estimation précise de la rareté des planètes de la taille de Neptune en orbite rapprochée – une région que les astronomes appellent le « désert neptunien ». L’étude montre que ces planètes se trouvent autour de seulement 0,08 % des étoiles semblables au Soleil, renforçant l’idée selon laquelle cette région est peu peuplée.
Cette découverte met en évidence la manière dont l’IA modifie rapidement l’astronomie, permettant aux chercheurs d’extraire des informations significatives à partir d’ensembles de données massifs. La capacité d’identifier systématiquement et de manière fiable les exoplanètes candidates accélérera la recherche de mondes habitables au-delà de notre système solaire.
