L'imagerie directe des exoplanètes représente l'un des plus grands défis de l'astronomie moderne, en raison des rapports de contraste extrêmes et du bruit à speckle quasi-statique. Pour surmonter ces obstacles, des méthodes de post-traitement avancées ont été explorées. Bien que les réseaux de neurones convolutionnels (CNN) aient montré des résultats prometteurs, leur efficacité est souvent limitée par leur incapacité à capturer les dépendances à long terme dans les séquences d'images. Une étude récente propose une architecture de deep learning hybride qui combine un extracteur de caractéristiques CNN avec un encodeur Transformer. Cette approche permet d’exploiter les informations temporelles, en modélisant les signatures de mouvement cohérent d'une planète au cours d'une séquence d'observation, ouvrant ainsi la voie à des techniques d'imagerie plus fiables.
Pour valider ce modèle novateur, les chercheurs ont d'abord utilisé un jeu de données synthétique. Les résultats ont été impressionnants : le modèle a atteint une précision de 100 % et un score F1 également de 100 %, avec une précision de position de 0,72 pixels. Ces performances exceptionnelles surpassent les méthodes traditionnelles telles que la soustraction médiane et PCA-KLIP, soulignant ainsi l’efficacité de cette nouvelle approche. Cependant, il était crucial de tester la robustesse du modèle sur des données réelles. Pour cela, les chercheurs ont entraîné le modèle sur un ensemble de données semi-synthétiques comprenant des signaux de planètes intégrés dans des observations d'imagerie haute contrastée réelles, en utilisant le disque protoplanétaire TW Hya, capturé par le télescope JWST.
Les résultats ont confirmé la capacité du modèle à identifier les signaux injectés avec une grande fiabilité, même en présence de bruit complexe et de caractéristiques brillantes du disque. Ce travail constitue donc une preuve de concept réussie, démontrant que l'architecture CNN-Transformer représente une méthode rapide, précise et automatisée pour la détection d'exoplanètes. Avec les grandes quantités de données que nous prévoyons d’obtenir grâce aux instruments modernes et futurs d’imagerie haute contrastée, cette découverte pourrait révolutionner notre approche en astronomie et élargir notre compréhension des systèmes planétaires. En somme, cette recherche ouvre des horizons intéressants pour la détection d'exoplanètes, rendant les espoirs d'observation directe plus accessibles et efficaces que jamais.
Retrouvez l'article scientifique au complet (en anglais) ici : Machine learning revolution for exoplanet direct imaging detection: transformer architectures
Astuce : Cliquez sur la fusée pour revenir en haut de la page