L'analyse rapide des spectres des exoplanètes, en particulier ceux provenant des missions spatiales modernes comme le télescope James Webb (JWST) et la mission Ariel, représente un défi majeur en raison des méthodes de récupération atmosphérique basées sur le modèle de Bayes, qui peuvent être à la fois coûteuses en computation et longues à réaliser. Ces missions nécessitent des modèles atmosphériques de plus en plus complexes pour caractériser avec précision les caractéristiques spectrales qu'elles détectent. Pour répondre à ce besoin, des techniques d'analyse basées sur des données, comme l'apprentissage machine et profond, sont de plus en plus envisagées pour améliorer l'efficacité de ces analyses.
Un outil novateur présenté dans cet article est un réseau neuronal basé sur la technologie des transformateurs, appelé "Exoformer". Ce modèle s'avère capable de générer rapidement des distributions de prior informatives pour les spectres de transmission atmosphérique des exoplanètes de type Jupiter chaud. Les performances de l'Exoformer ont été démontrées à la fois sur des données simulées et sur des données réelles issues du JWST pour des exoplanètes comme WASP-39b et WASP-17b. L'intégration de ces priors informatifs dans le cadre de l'outil de récupération TauREx, qui utilise un algorithme de sous-échantillonnage, a permis d'accélérer le processus de récupération par un facteur de trois à huit dans les cas testés, tout en maintenant la qualité des paramètres récupérés et des spectres ajustés.
Une des avancées majeures de cette méthode hybride est qu'elle réussit à combiner efficacité et précision. Les résultats obtenus avec Exoformer se sont révélés statistiquement cohérents avec ceux des méthodes classiques, suggérant qu'il n'y a pas de préférence forte entre les modèles utilisés, en se basant sur les échelles de Bayes. Cela ouvre la voie à une analyse plus rapide et plus précise de spectres exoplanétaires complexes, tout en permettant d'intégrer des modèles atmosphériques plus réalistes. Cette approche contribue à faire progresser notre compréhension des atmosphères exoplanétaires et à stimuler les découvertes scientifiques dans le domaine de l'astronomie.
Retrouvez l'article scientifique au complet (en anglais) ici : Exoformer : Accelerating Bayesian atmospheric retrievals with transformer neural networks
Astuce : Cliquez sur la fusée pour revenir en haut de la page