Une équipe de recherche a récemment publié les résultats de son étude dans la revue scientifique Astrophysical Journal et disponible sur Arvix. Les chercheurs ont décidé d’utiliser des simulations informatiques de la formation de galaxies et ont entrainé un algorithme de deep learning. Leur objectif était de lui faire identifier des processus physiques au sein d’images de véritables galaxies prises avec le télescope spatial Hubble.
Le projet de recherche “Deep learning for Galaxies” a été mené par Joel Primack, David Koo et Marc Huertas-Company. Il inclut également en co-auteurs Avishai Dekel de l’Université hébraïque de Jérusalem (et chercheur invité à l’UC Santa Cruz) ; Sharon Lapiner de l’Université hébraïque ; Daniel Ceverino de l’Université de Heidelberg ; Raymond Simons de l’Université Johns Hopkins ; Gregory Snyder du Space Telescope Science Institute ; Mariangela Bernardi et H. Dominquez Sanchez de l’Université de Pennsylvanie ; Zhu Chen de l’Université normale de Shanghai ; Christoph Lee de l’UC Santa Cruz ; et Berta Margalef-Bentabol et Diego Tuccillo de l’Observatoire de Paris.
Comme l’indique l’Université Paris Diderot, les chercheurs se sont servis des résultats de simulations informatiques très haute résolution “pour générer des images simulées de galaxies jeunes, à l’image de ce qu’ils feraient dans les observations du télescope spatial Hubble. Les images simulées ont ensuite été utilisées pour former le système d’apprentissage profond afin de reconnaître trois phases clés de l’évolution des galaxies précédemment identifiées dans les simulations. Les galaxies sont des phénomènes complexes qui changent d’apparence au fil des milliards d’années. Alors que dans les simulations toute l’histoire de formation des galaxies est connue car codée avec nos connaissances de la physique dans les programmes informatiques, dans les observations nous ne sommes en mesure que d’obtenir des instantanées de la vie d’une galaxie”.
Marc Heurtas-Company, chercheur à l’Observatoire de Paris, professeur à l’Université Paris Diderot, Membre de l’Institut Universitaire de France et auteur principal de cette étude a notamment indiqué :
“La comparaison entre la théorie imprimée dans les simulations et les observations est toujours affectée par cette limitation intrinsèque”.
Pour les chercheurs, “le défi et la nouveauté était donc de savoir si un algorithme d’apprentissage profond, comme ceux largement utilisés dans la reconnaissance faciale et d’autres applications de reconnaissance d’images et de parole, était capable d’extraire automatiquement des traceurs permettant d’identifier la phase évolutive d’une galaxie à partir des images obtenues avec des telescopes.
Dans ce premier travail de nature exploratrice, les chercheurs se sont particulièrement intéressés à un phénomène observé dans les simulations au début de l’évolution des galaxies riches en gaz, lorsque des flux importants de gaz dans le centre d’une galaxie alimentent la formation d’une petite région dense et étoilée. Cette phase a été baptisée comme phase “blue-nugget” (pépite bleue en français). Les étoiles jeunes et chaudes émettent en effet de courtes longueurs d’onde “bleues” de lumière, de sorte que le bleu indique une galaxie avec formation active d’étoiles, alors que les étoiles plus anciennes et plus froides émettent plus de lumière “rouge”. L’idée était donc de classer les galaxies entre celles qui ne sont pas encore passées par la phase “blue-nugget” (pre-blue-nugget), celles qui sont entrain de la traverser (“blue-nugget”) et celles qui l’ont déjà passée (“post-blue-nugget”)”.
Dans l’article publié sur le site de l’Université Paris Diderot, les chercheurs expliquent que “ce programme informatique a notamment permis de révéler que la phase “blue-nugget” existe dans les observations et qu’elle se produit généralement dans des galaxies ayant une masse caractéristique. Ceci est une découverte passionnante, parce qu’elle suggère que l’algorithme d’apprentissage profond “est susceptible d’établir des contraintes temporelles à partir des seules images” déclare M. Huertas-Company.
”Il se peut que, dans une certaine gamme de tailles, les galaxies aient juste la bonne masse pour que ce processus physique se produise “, a déclaré David Koo, professeur émérite d’astronomie et d’astrophysique à l’UC Santa Cruz.
“Nous allons continuer à réaliser des tests, mais cette étude de concept prouve que les techniques actuelles d’intelligence artificielle peuvent en effet extraire des marqueurs complexes permettant d’identifier des phases évolutives des galaxies. Ceci ouvre une toute nouvelle voie pour comparer les observations et la théorie et avancer ainsi dans notre compréhension de la formation de ces systèmes complexes que sont les galaxies.” déclare M. Huertas-Company.”
Pour parvenir à ce résultat, l’équipe de recherche a utilisé “des simulations de galaxies de pointe (les simulations VELA) développées par Primack et une équipe internationale de collaborateurs, dont Daniel Ceverino (Université de Heidelberg), qui a réalisé les simulations, et Avishai Dekel (Université hébraïque), qui a piloté l’analyse et l’interprétation des simulations et développé de nouveaux concepts physiques à partir de celles-ci. Toutes ces simulations sont cependant limitées dans leur capacité à capturer la physique complexe de la formation des galaxies.
Pour les données d’observation, l’équipe a utilisé des images de galaxies obtenues dans le cadre du projet CANDELS (Cosmic Assembly Near-infrared Deep Extragalactic Legacy Survey), le plus grand projet de l’histoire du télescope spatial Hubble. Le premier auteur, Marc Huertas-Company, astronome à l’Observatoire de Paris et à l’Université Paris Diderot, avait déjà fait œuvre de pionnier en appliquant des méthodes d’apprentissage approfondi à la classification des galaxies à l’aide de données CANDELS accessibles au public”.
Références : Deep Learning Identifies High-z Galaxies in a Central Blue Nugget Phase in a Characteristic Mass Range(link is external), Astrophysical Journal, le 23 mars 2018.
Source : Université Paris Diderot
