Dans le domaine de l'astronomie, particulièrement en ce qui concerne l'étude des exoplanètes, l'analyse des atmosphères planétaires est une tâche cruciale. Traditionnellement, les méthodes bayésiennes standard pour extraire les paramètres atmosphériques des exoplanètes à partir de la spectroscopie de transmission sont reconnues pour leur fiabilité, mais elles demandent énormément de ressources informatiques, ce qui peut devenir un obstacle pour les chercheur-se-s, surtout avec la montée en puissance d'observatoires comme le télescope spatial James Webb (JWST). Face à ce défi, des approches basées sur l'intelligence artificielle, notamment l'apprentissage automatique, commencent à se faire une place dans ce domaine, car elles promettent d'être à la fois efficaces et rapides.
Dans une étude systématique étudie plusieurs techniques de régression par apprentissage automatique pour extraire les paramètres atmosphériques d’exoplanètes à partir de spectres de transmission. Parmi les méthodes testées, on retrouve les moindres carrés partiels (PLS), les machines à vecteurs de support (SVM), les k plus proches voisins (KNN), les arbres de décision (DT), les forêts aléatoires (RF), ainsi que des techniques de vote et d’empilage, et le "boosting de gradient extrême" (XGB). Les chercheurs ont également pris en compte l'impact des différentes méthodes de prétraitement des données d'entraînement sur les performances du modèle. En faisant cet examen, ils ont pu quantifier les incertitudes liées aux modèles sur toute la gamme dynamique des paramètres planétaires, ce qui est crucial pour générer des résultats fiables.
La meilleure combinaison de modèle d'apprentissage automatique et de méthode de prétraitement a été validée à l'aide d'une étude de cas portant sur une observation de JWST du système WASP-39b. Ce travail met en lumière non seulement l'efficacité des techniques d'intelligence artificielle pour analyser les atmosphères des exoplanètes, mais il souligne également l'importance de choisir la bonne méthode de traitement préalable pour optimiser les résultats. À mesure que les technologies avancent, l'utilisation de ces outils modernes pourrait transformer notre compréhension des atmosphères exoplanétaires, rendant ainsi l'information accessible pour les astronomes, qu'ils soient professionnels ou amateurs, et ouvrant la voie à de nouvelles découvertes passionnantes dans ce domaine fascinant.
Retrouvez l'article scientifique au complet (en anglais) ici : Supervised Machine Learning Methods with Uncertainty Quantification for Exoplanet Atmospheric Retrievals from Transmission Spectroscopy
Astuce : Cliquez sur la fusée pour revenir en haut de la page