Les transits se produisent lorsque des exoplanètes passent devant leur étoile, provoquant une baisse temporaire de la luminosité. Cependant, cette tâche est souvent délicate car des courbes de lumière similaires peuvent être générées par des astres ayant des formes différentes. Pour approfondir cette question, des chercheurs ont tenté de déterminer dans quelle mesure les caractéristiques de la forme d'un objet peuvent être révélées à partir de ces courbes de lumière. Pour ce faire, ils ont créé une bibliothèque de formes aléatoires en deux dimensions et ont utilisé un simulateur pour produire les courbes de transit correspondantes.
Dans cette recherche, chaque forme a été décomposée en une série de composants elliptiques, représentant des perturbations de plus en plus faibles par rapport à une ellipse idéale. Ensuite, des réseaux de neurones profonds ont été entraînés pour prédire les coefficients de Fourier de ces composants directement à partir des courbes de lumière simulées. Les résultats obtenus montrent que le réseau de neurones est capable de reconstruire avec succès les ellipses, permettant ainsi de décrire la forme générale de l'objet, son orientation et d'importantes perturbations à grande échelle. Cependant, lorsqu'il s'agit de modèles plus complexes, bien que l'échelle puisse être déterminée, l'estimation de l'excentricité et de l'orientation est limitée.
Une autre partie de l'étude s'intéresse à l'impact des caractéristiques non convexes de la forme et met en évidence la dépendance liée à l'orientation de la forme elle-même. En résumé, le niveau de précision atteint par le réseau de neurones justifie bien l'intérêt d'utiliser les courbes de lumière pour extraire des informations géométriques sur des systèmes en transit. Cela ouvre des pistes prometteuses pour comprendre la complexité des exoplanètes et leurs caractéristiques géométriques, contribuant ainsi à notre quête de connaissance sur l'univers qui nous entoure.
Retrouvez l'article scientifique au complet (en anglais) ici : Beyond Spherical geometry: Unraveling complex features of objects orbiting around stars from its transit light curve using deep learning
Astuce : Cliquez sur la fusée pour revenir en haut de la page