Une nouvelle étude se penche sur l'utilisation de techniques d'apprentissage automatique, notamment des autoencodeurs, pour détecter des anomalies dans les atmosphères d'exoplanètes en identifiant celles qui possèdent des signatures chimiques atypiques. Pour cette recherche, les scientifiques ont utilisé la base de données Atmospheric Big Challenge (ABC), qui contient plus de 100 000 spectres d'exoplanètes simulés. En définissant les atmosphères riches en CO2 comme des anomalies et celles pauvres en CO2 comme la norme, ils ont construit un scénario de détection d'anomalies. Quatre stratégies ont été testées : la perte de reconstruction par autoencodeur, le Support Vector Machine à une classe (1 class-SVM), le K-means et le Local Outlier Factor (LOF).
Les chercheurs ont évalué l'efficacité de ces méthodes dans deux espaces différents : l'espace spectral original et l'espace latent de l'autoencodeur. Pour cela, ils ont utilisé des courbes caractéristiques de fonctionnement (ROC) et des mesures de surface sous la courbe (AUC) pour quantifier les performances. Ils ont également introduit différents niveaux de bruit pour simuler des conditions réalistes, allant de 10 à 50 ppm. Les résultats révèlent que la détection d'anomalies est généralement plus performante dans l'espace latent, quel que soit le niveau de bruit. En particulier, le K-means appliqué dans cet espace latent a montré une grande robustesse et des performances élevées, capable de gérer des niveaux de bruit jusqu'à 30 ppm, ce qui correspond aux observations réelles depuis l'espace.
Une observation importante est que les méthodes appliquées directement sur l'espace spectral brut perdent en efficacité à mesure que le bruit augmente. Cela souligne l'intérêt d'utiliser la réduction de dimensionnalité par autoencodeur, qui s'avère être une approche robuste pour identifier des cibles chimiquement anormales dans des enquêtes à grande échelle. Des méthodes comme celles-ci sont essentielles dans l'exploration de nouvelles atmosphères d'exoplanètes, offrant les pistes nécessaires pour découvrir des mondes lointains et enrichir notre compréhension des compositions atmosphériques au-delà de notre système solaire.
Retrouvez l'article scientifique au complet (en anglais) ici : Hunting for "Oddballs" with Machine Learning: Detecting Anomalous Exoplanets Using a Deep-Learned Low-Dimensional Representation of Transit Spectra with Autoencoders
Astuce : Cliquez sur la fusée pour revenir en haut de la page