Lors de la Journée internationale des astéroïdes en 2019, un groupe d’institutions de recherche a lancé un programme qui pourrait avoir un impact profond sur notre connaissance des corps minuscules. En utilisant la science citoyenne pour former un algorithme d’apprentissage automatique, le projet Hubble Asteroid Hunter a identifié plus de 1 000 nouveaux astéroïdes ; les découvertes pourraient aider les scientifiques à mieux comprendre l’anneau de corps célestes qui flottent principalement entre Mars et Jupiter.
Asteroid Hunter est un effort de collaboration entre divers groupes, dont le Centre européen de la science et de la technologie, le Centre de données scientifiques du Centre européen d’astronomie spatiale, la plateforme scientifique citoyenne Zooniverse et Google.
En 2019, les chercheurs ont lancé un appel aux scientifiques citoyens pour qu’ils collaborent à l’effort participatif. Grâce à la plateforme Zooniverse, 11 400 membres du public du monde entier ont identifié des traînées d’astéroïdes dans 37 000 images composites prises par le télescope spatial Hubble entre 2002 et 2021. Les scientifiques citoyens se sont penchés sur les images pendant un an et ont identifié plus de 1 000 traînées.
« Hubble est une mission incroyable, et elle a produit une base de données très riche d’observations astronomiques au fil des ans dont nous devrions tirer parti », a déclaré à Ars Sandor Kruk, postdoctorant à l’Institut Max Planck de physique extraterrestre. « Nous devrions payer plus attention à cette longue période de données [that is] commencent à être disponibles. Kruk est impliqué dans Asteroid Hunter.
Cherchant le ciel
Les résultats des travaux de science citoyenne ont été utilisés pour former un algorithme d’apprentissage automatique appelé AutoM, qui a été créé par Google. Lorsqu’il dispose de suffisamment de données, l’algorithme peut désormais être utilisé pour classer rapidement les images.
Selon Kruk, il existe une grande diversité dans les traînées d’astéroïdes captées par Hubble. Normalement, lors de la prise d’une image à longue exposition d’un astéroïde depuis le sol, la traînée résultante dans l’image est une ligne. Mais le mouvement combiné des astéroïdes avec le mouvement de Hubble produit des traînées courbes. Ceux-ci sont plus difficiles à classer à l’aide de l’apprentissage automatique car ils se présentent sous une grande variété de formes.
« C’est pourquoi vous aviez besoin d’un échantillon d’entre eux détectés par les humains », a déclaré Kruk. « Ce qui nous a pris un an pour classer avec les scientifiques citoyens – cela n’a pris qu’environ 10 heures avec le [algorithm]. Mais vous avez besoin de l’ensemble d’entraînement.
Quand les mondes se heurtent
L’effort combiné entre l’homme et la machine a abouti à un ensemble de données contenant 1 701 pistes dans 1 316 images Hubble. Les participants ont également identifié d’autres objets dans les images, tels que des galaxies et des nébuleuses. Ils ont comparé ces pistes à celles de la base de données de l’équipe Minor Planet Center, la plus grande base de données d’astéroïdes, et ont découvert que 670 d’entre eux avaient déjà été identifiés.
Les originaux trouvés par Asteroid Hunter semblaient beaucoup plus faibles que ceux identifiés auparavant, ce qui signifie qu’ils étaient de plus petite taille, a déclaré Kruk. Il a noté que ce travail pourrait être utilisé pour avoir une meilleure idée de la distribution des tailles d’astéroïdes dans la ceinture d’astéroïdes, et que les données pourraient être utilisées pour mieux comprendre leur évolution et la façon dont les astéroïdes sont produits à partir de la fragmentation et de la collision au sein de la ceinture.