Les missions Kepler et TESS de la NASA ont véritablement révolutionné notre façon de détecter les exoplanètes, avec (à l'heure où j'écris cet article) plus de 6000 planètes confirmées et près de 10000 candidates en attente de validation. La méthode du transit, qui consiste à observer la diminution de la lumière d'une étoile quand une planète passe devant elle, a été essentielle dans ces découvertes. Cependant, la confirmation des candidates nécessite des vérifications minutieuses et des observations de suivi, ce qui peut ralentir la recherche de nouvelles exoplanètes au sein de grandes bases de données. Pour surmonter cette problématique, des chercheurs ont mis au point un modèle d'apprentissage automatique basé sur les données de Kepler, qui distingue avec précision les vraies candidates planétaires des faux positifs.
Le modèle d'apprentissage automatique a été entraîné en utilisant les caractéristiques des transits, les caractéristiques planétaires, et des paramètres stellaires des étoiles hôtes. Cette approche a permis d'atteindre une précision de 83,9 % lors des tests de validation croisée. Lorsqu'il a été appliqué à un ensemble de 3987 candidats de TESS, le modèle a découvert 1595 nouvelles planètes à haute confiance et a réussi à retrouver 86 % des exoplanètes confirmées par TESS lors d'un test de validation à l'aveugle. Cette réussite souligne l'efficacité du machine learning dans la validation des exoplanètes, permettant ainsi de traiter un volume de données plus important sans compromettre la rigueur scientifique.
L'analyse à l'aide de ce modèle a également mis en lumière 100 systèmes multi-planétaires récemment reconnus, y compris cinq systèmes qui accueillent des exoplanètes situées dans la zone habitable, où les conditions pourraient potentiellement permettre la présence d'eau liquide. En outre, 15 autres planètes ont été identifiées dans la zone habitable d'un même système, ce qui laisse présager de belles perspectives pour des futures recherches sur des mondes habitables. Cette avancée illustre que l'apprentissage automatique peut non seulement accélérer le processus de validation des exoplanètes, mais aussi être facilement adapté à des missions photométriques futures comme PLATO ou Earth 2.0.
Retrouvez l'article scientifique au complet (en anglais) ici : Machine Learning for Exoplanet Discovery: Validating TESS Candidates and Identifying Planets in the Habitable Zone
Astuce : Cliquez sur la fusée pour revenir en haut de la page