Les modèles d’apprentissage automatique augmentent de plus en plus les processus humains, soit en effectuant des tâches répétitives plus rapidement, soit en fournissant des informations systématiques qui aident à mettre les connaissances humaines en perspective. Les astronomes de l’UC Berkeley ont été surpris de constater que les deux se produisaient après avoir modélisé des événements de microlentilles gravitationnelles, conduisant à une nouvelle théorie unifiée du phénomène.
La lentille gravitationnelle se produit lorsque la lumière d’étoiles lointaines et d’autres objets stellaires se penche autour d’un objet plus proche directement entre lui et l’observateur, donnant brièvement une vue plus brillante – mais déformée – de l’objet le plus éloigné. Selon la façon dont la lumière se courbe (et ce que nous savons de l’objet distant), nous pouvons également en apprendre beaucoup sur l’étoile, la planète ou le système autour duquel la lumière se courbe.
Par exemple, un pic momentané de luminosité suggère un corps planétaire transitant par la ligne de visée, et ce type d’anomalie dans la lecture, appelée « dégénérescence » pour une raison quelconque, a été utilisée pour repérer des milliers d’exoplanètes.
En raison des limites de leur observation, il est difficile de quantifier ces événements et objets au-delà d’une poignée de notions de base comme leur masse. Et les dégénérescences sont généralement considérées comme relevant de deux possibilités : que la lumière distante soit passée plus près soit du étoile ou la planète dans un système donné. Les ambiguïtés sont souvent conciliées avec d’autres données observées, comme le fait que nous savons par d’autres moyens que la planète est trop petite pour provoquer l’échelle de distorsion observée.
Keming Zhang, doctorant à l’UC Berkeley, cherchait un moyen d’analyser et de catégoriser rapidement ces événements de lentilles, car ils apparaissent en grand nombre lorsque nous surveillons le ciel plus régulièrement et plus en détail. Lui et ses collègues ont formé un modèle d’apprentissage automatique sur des données d’événements connus de microlentilles gravitationnelles avec des causes et des configurations connues, puis l’ont libéré sur un tas d’autres moins bien quantifiés.
Les résultats étaient inattendus : en plus de calculer habilement quand un événement observé relevait de l’un des deux principaux types de dégénérescence, il en a trouvé beaucoup qui ne le faisaient pas.
« Les deux théories précédentes de la dégénérescence traitent des cas où l’étoile d’arrière-plan semble passer à proximité de l’étoile de premier plan ou de la planète de premier plan. L’algorithme d’IA nous a montré des centaines d’exemples non seulement de ces deux cas, mais aussi de situations où l’étoile ne passe pas à proximité de l’étoile ou de la planète et ne peut être expliquée par aucune des théories précédentes », a déclaré Zhang dans un communiqué de Berkeley.
Maintenant, cela pourrait très bien être le résultat d’un modèle mal réglé ou d’un modèle qui n’était tout simplement pas assez confiant dans ses propres calculs. Mais Zhang semblait convaincu que l’IA avait enregistré quelque chose que les observateurs humains avaient systématiquement négligé.
En conséquence – et après quelques persuasions, puisqu’un étudiant diplômé remettant en question la doctrine établie est toléré mais peut-être pas encouragé – ils ont fini par proposer une nouvelle théorie «unifiée» sur la façon dont la dégénérescence de ces observations peut être expliquée, dont les deux théories connues étaient simplement les cas les plus fréquents.
Schéma montrant une simulation d’une solution de dégénérescence à 3 lentilles. Crédits image : Zhang et al
Ils ont examiné deux douzaines d’articles récents observant des événements de microlentilles et ont découvert que les astronomes avaient classé à tort ce qu’ils voyaient comme un type ou l’autre alors que la nouvelle théorie correspondait mieux aux données que les deux.
«Les gens voyaient ces événements de microlentilles, qui présentaient en fait cette nouvelle dégénérescence, mais ne s’en rendaient tout simplement pas compte. C’était vraiment juste l’apprentissage automatique en regardant des milliers d’événements où il devenait impossible de manquer », a déclaré Scott Gaudi, professeur d’astronomie à l’Ohio State University et co-auteur de l’article.
Pour être clair, l’IA n’a pas formulé ni proposé la nouvelle théorie – cela dépendait entièrement de l’intellect humain. Mais sans les calculs systématiques et fiables de l’IA, il est probable que la théorie simplifiée et moins correcte aurait persisté pendant de nombreuses années. Tout comme les gens ont appris à faire confiance aux calculatrices et plus tard aux ordinateurs, nous apprenons à faire confiance à certains modèles d’IA pour produire une vérité intéressante sans idées préconçues et hypothèses – c’est-à-dire si nous n’avons pas simplement codé nos propres idées préconçues et hypothèses en eux.
La nouvelle théorie et la description du processus qui y conduit sont décrites dans un article publié dans la revue Nature Astronomy. Ce n’est probablement pas nouveau pour les astronomes parmi notre lectorat (c’était une pré-impression l’année dernière), mais les mordus de l’apprentissage automatique et de la science générale peuvent chérir ce développement intéressant.