Une équipe de l'Université de Berne et du National Center of Compentence in Research (NCCR) Planets a développé un modèle d'apprentissage automatique qui prédit des systèmes planétaires potentiels avec des planètes en forme de terre. Le modèle pourrait accélérer considérablement et révolutionner ainsi la recherche future de planètes habitables dans l'univers.
La recherche d'exoplanètes en forme de terre – des plantes en orbite autour d'étoiles autres que notre Soleil – est un sujet central dans la recherche planétaire d'aujourd'hui, car la vie extraterrestre est plus susceptible d'être trouvée là-bas. Des chercheurs de l'Université de Bern ont maintenant développé un modèle d'innovation d'apprentissage automatique qui identifie les systèmes planétaires qui pourraient potentiellement héberger des planètes en forme de terre.
L'équipe entière derrière les résultats est, ou était au moment de l'étude, affiliée à l'Université de Berne et membre des planètes du NCCR. Le premier auteur, le Dr Jeanne Davoult, qui est maintenant chercheur postdoctoral chez DLR (Deutsches Zentrum Für Luftd-und Raumfahrt) à Berlin, étudie les populations d'exoplanet et a développé le modèle dans le cadre de sa thèse de doctorat à la recherche spatiale et aux sciences planétaires (WP) de l'Institut physique de l'Université de Bern.
Le professeur Yann Alibert, codirecteur du Center for Space and Habitability (CSH), et Romain Eltschinger, également un doctorat. L'étudiant du CSH a apporté des contributions importantes à l'étude, qui vient d'être publiée dans la revue Astronomie et astrophysique.
Formation avec les données du modèle Bern
Un modèle d'apprentissage automatique est un outil statistique formé avec les données pour reconnaître certains types de modèles et faire des prédictions. Le Dr Davoult explique: « Notre modèle est basé sur un algorithme que j'ai développé et qui a été formé pour reconnaître et classer les systèmes planétaires qui abritent des planètes en forme de terre. »
Le modèle s'appuie sur des études précédentes pour déduire une corrélation entre la présence ou l'absence d'une planète en forme de terre et les propriétés de son système.
L'algorithme a été formé et testé avec des données du modèle dite Berne de la formation et de l'évolution de la planète. « Le modèle Bern peut être utilisé pour faire des déclarations sur la façon dont les planètes ont été formées, comment elles ont évolué et quels types de planètes se développent dans certaines conditions dans un disque protoplanétaire », explique le co-auteur Dr. Alibert.
Depuis 2003, le modèle Bern a été développé en permanence à l'Université de Berne. « Le modèle Bern est l'un des seuls modèles dans le monde qui offre une telle richesse de processus physiques interdépendants et permet à une étude comme la réalisation actuelle », poursuit le Dr Alibert.
Précision à 99% du nouveau modèle
L'algorithme du nouveau modèle d'apprentissage automatique a été formé et testé à l'aide de données sur les systèmes planétaires synthétiques du modèle Bern. « Les résultats sont impressionnants: l'algorithme atteint des valeurs de précision allant jusqu'à 0,99, ce qui signifie que 99% des systèmes identifiés par le modèle d'apprentissage automatique ont au moins une planète en forme de terre », explique le Dr Davoult.
Le modèle a ensuite été appliqué aux systèmes planétaires réellement observés. « Le modèle a identifié 44 systèmes qui sont très susceptibles d'organiser des planètes non détectées en forme de terre. Une étude plus approfondie a confirmé la possibilité théorique pour ces systèmes d'héberger une planète en forme de terre », explique le Dr Davoult.
Recherche plus efficace de planètes habitables
Dans le cadre de la thèse de sa maîtrise, Eltschinger, le co-auteur de l'étude, a contribué au développement ultérieur du modèle d'apprentissage automatique, ce qui lui permet d'être utilisé dans une gamme encore plus large de scénarios.
Il dit: « Ces résultats sont importants pour la communauté scientifique, et en particulier pour les futures missions spatiales telles que Platon ou les futurs concepts de mission comme la vie, qui seront dédiés à la découverte et à la caractérisation des petites planètes froides. »
L'utilisation de ce modèle d'apprentissage automatique pour rechercher plus spécifiquement des planètes en forme de terre pourrait minimiser les temps de recherche et maximiser le nombre de découvertes. « Il s'agit d'une étape importante dans la recherche de planètes avec des conditions favorables à la vie et, finalement, dans la recherche de la vie dans l'univers », conclut le Dr Alibert.
