Défi spatial Ariel de 50 000 $ : exploration des atmosphères des exoplanètes avec l'IA

L'Ariel Data Challenge 2024, organisé par l'UCL, invite les data scientists et les passionnés d'IA à analyser exoplanète atmosphères utilisant des données provenant de la Agence spatiale européenneLa mission Ariel.

Doté d'une dotation de 50 000 dollars, le concours vise à affiner les techniques d'interprétation des signaux faibles dans les données bruyantes des télescopes. Soutenu par un consortium comprenant des agences spatiales nationales et des institutions universitaires, ce défi offre aux contributeurs une opportunité significative de faire progresser notre compréhension des exoplanètes et de préparer le lancement d'Ariel en 2029.

Le concours, basé sur la mission spatiale Ariel de l'Agence spatiale européenne et présenté au NeurIPS 2024 apprentissage automatique La conférence s'attaquera à l'un des problèmes d'analyse de données les plus complexes et les plus importants de l'astronomie : extraire des signaux exoplanétaires faibles à partir d'observations bruyantes de télescopes spatiaux. Elle offre aux participants une chance unique de contribuer à la recherche de pointe dans le domaine des atmosphères d'exoplanètes, avec une cagnotte de 50 000 $.

Le Dr Kai Hou (Gordon) Yip, responsable du défi Ariel Data Challenge à l'UCL Physics & Astronomy, a déclaré : « Nous sommes ravis de voir les solutions innovantes que la communauté mondiale des scientifiques des données peut apporter à cette tâche formidable. »

Collaboration et soutien à l’échelle mondiale

Ce défi a été rendu possible grâce à un effort collaboratif mené par le Centre for Space Exochemistry Data de l'UCL, réunissant des partenaires dont le Centre National d'études Spatiales, l'Université de Cardiff, la Sapienza Università di Roma et l'Institut d'Astrophysique de Paris.

Le concours est sponsorisé par le Centre National d'Etudes Spatiales, en collaboration avec le programme de recherche Kaggle Competitions. Il bénéficie également du soutien d'un consortium d'agences et d'institutions spatiales de premier plan, dont l'Agence spatiale britannique, l'Agence spatiale européenne, STFC RAL Space et STFC DiRAC HPC Facility.

Ariel sera placée en orbite autour du point de Lagrange 2 (L2), un point d'équilibre gravitationnel situé à 1,5 million de kilomètres au-delà de l'orbite terrestre autour du Soleil. Crédit : ESA/STFC RAL Space/UCL/Europlanet-Science Office

Dr. Caroline Harper, responsable des sciences spatiales à l'Agence spatiale britannique, a déclaré : « En soutenant ce défi, nous visons à trouver de nouvelles façons d'utiliser l'IA et l'apprentissage automatique pour développer notre compréhension de l'univers.

« Les exoplanètes sont probablement plus nombreuses dans notre galaxie que les étoiles elles-mêmes et les techniques développées grâce à ce prestigieux concours pourraient nous aider à ouvrir de nouvelles fenêtres pour en savoir plus sur la composition de leurs atmosphères, et même sur leur météo.

« L’investissement de l’Agence spatiale britannique dans la recherche de pointe en sciences spatiales est essentiel pour soutenir des missions innovantes comme celle-ci, qui peuvent bénéficier aux personnes, aux entreprises et aux communautés du monde entier. Nous sommes impatients de voir les résultats. »

La Dre Theresa Rank-Lueftinger, scientifique du projet Ariel de l’ESA (Agence spatiale européenne), a déclaré : « Chaque signal bruyant provenant de nos télescopes spatiaux pourrait cacher la clé de la compréhension des atmosphères lointaines. Notre travail consiste à exploiter ce potentiel grâce à des approches innovantes d’apprentissage automatique. Ce sera incroyable de voir ce que la communauté de l’IA va inventer ! »

Comprendre les atmosphères des exoplanètes

La découverte d’exoplanètes a transformé notre perspective cosmique, remettant en question les notions conventionnelles sur la nature du système solaire, le caractère unique de la Terre et le potentiel de vie ailleurs.

À ce jour, les astronomes connaissent plus de 5 600 exoplanètes. Cependant, la détection de ces mondes n'est qu'une première étape, car les scientifiques cherchent à mieux comprendre et caractériser la nature de ces mondes en étudiant leur atmosphère.

La mission spatiale Ariel de l'Agence spatiale européenne, dirigée scientifiquement par la professeure Giovanna Tinetti de l'UCL, sera lancée en 2029 et réalisera l'une des plus grandes études jamais réalisées sur ces planètes en observant les atmosphères d'environ un cinquième des exoplanètes connues.

Paul Eccleston, responsable du consortium de la mission Ariel chez RAL Space, a déclaré : « C'est une période passionnante pour Ariel et pour l'implication de RAL Space, où nous devons commencer à construire le modèle structurel de la charge utile dans les mois à venir. C'est également une période chargée pour d'autres parties du consortium, notamment celles qui anticipent les défis liés aux données auxquels nous pourrions être confrontés après le lancement. »

« L'Ariel Data Challenge nous sera d'une grande utilité à cet égard, mais c'est aussi une formidable opportunité pour les participants de s'impliquer et de contribuer à une mission très passionnante. Bonne chance à tous ceux qui y participeront ! »

Cependant, observer ces atmosphères et en déduire leurs propriétés constitue un formidable défi. Ces signaux atmosphériques ne représentent qu'une infime fraction de la lumière des étoiles reçue des systèmes planétaires et sont régulièrement corrompus par le bruit des instruments.

Le professeur Ingo Waldmann, co-directeur de l’Ariel Data Challenge au sein du département Physics & Astronomy de l’UCL, a déclaré : « L’astrophysique moderne pose des problèmes de big data qui peuvent être résolus au mieux, et parfois uniquement, à l’aide de techniques d’IA modernes. Ce problème en particulier se prête à de nouvelles approches, et je suis très impatient de voir quelles nouvelles solutions la communauté de l’IA va proposer. »

Le défi des données Ariel

L’Ariel Data Challenge 2024 vise à éliminer ces sources de bruit, telles que le « bruit de gigue » causé par les vibrations des engins spatiaux. Ce bruit, ainsi que d’autres perturbations, compliquent l’analyse des données spectroscopiques utilisées pour étudier l’atmosphère des exoplanètes.

Avec le soutien de l'installation HPC DiRAC, les scientifiques de la mission ont méticuleusement produit la représentation la plus précise des observations d'Ariel à ce jour, basée sur la conception de la charge utile d'Ariel et intégrant des effets de bruit représentatifs des données en vol obtenues par le Télescope spatial James Webb.

Les scientifiques impliqués dans la mission Ariel recherchent désormais de nouvelles méthodes pour repousser les limites des approches actuelles d’analyse des données – des solutions innovantes capables de supprimer efficacement ces sources de bruit et d’extraire des signaux vitaux des atmosphères des exoplanètes.

Détails et calendrier du concours

Le concours est ouvert jusqu'à fin octobre. Les gagnants seront invités à présenter leurs solutions lors de la conférence NeurIPS, et des prix en espèces seront offerts aux six meilleures solutions.

Il s’agira de la cinquième édition de l’Ariel Machine Learning Data Challenge, après quatre concours au cours des cinq dernières années. L’Ariel Data Challenge attire chaque année environ 200 participants du monde entier, notamment des participants issus d’instituts universitaires et d’entreprises d’IA de premier plan.

Ce défi et son prédécesseur ont abordé un aspect plus vaste d’un problème plus vaste afin de rendre la recherche sur les exoplanètes plus accessible à la communauté de l’apprentissage automatique. Le défi n’a pas pour objectif de résoudre définitivement les problèmes d’analyse de données rencontrés par la mission, mais offre un forum de discussion, encourage les collaborations futures et aide l’équipe Ariel à se préparer avec les meilleures méthodes d’analyse de données possibles au moment du lancement de la mission.

Vous trouverez plus de détails sur le concours et les modalités de participation sur le site Web Ariel Data Challenge.