L’intelligence artificielle aide à prédire la probabilité de la vie sur d’autres mondes

3 Avril 2018

Communiqué de presse de l' »European Week of Astronomy and Space Science »  – RAS PR 18/16 (EWASS 12)

 

Les développements dans l’intelligence artificielle peuvent nous aider à prédire la probabilité de la vie sur d’autres planètes, selon le nouveau travail d’une équipe basée à l’Université de Plymouth. L’étude utilise des réseaux neuronaux artificiels (RNA) pour classer les planètes en cinq types, en estimant une probabilité de vie dans chaque cas, ce qui pourrait être utilisé dans de futures missions d’exploration interstellaire. Le travail est présenté à la Semaine européenne de l’astronomie et des sciences spatiales (EWASS) à Liverpool le 4 avril par M. Christopher Bishop.

Les réseaux de neurones artificiels sont des systèmes qui tentent de reproduire la façon dont le cerveau humain apprend. Ils sont l’un des principaux outils utilisés dans l’apprentissage automatique, et sont particulièrement bons pour identifier les modèles qui sont trop complexes pour un cerveau biologique à traiter.

L’équipe, basée au Centre de robotique et des systèmes neuronaux de l’Université de Plymouth, a formé son réseau pour classer les planètes en cinq types différents, selon qu’elles ressemblent le plus à la Terre actuelle, la Terre primitive, Mars, Vénus ou Saturne. lune Titan. Tous ces cinq objets sont des corps rocheux connus pour avoir des atmosphères, et sont parmi les objets les plus habitables dans notre système solaire.

 

 NASA TitanImage composite montrant une vue infrarouge de Titan, la lune de Saturne, prise depuis le vaisseau spatial Cassini de la NASA. Certaines mesures suggèrent que Titan a le taux d’habitabilité le plus élevé de tous les mondes autres que la Terre, en fonction de facteurs tels que la disponibilité de l’énergie et diverses caractéristiques de surface et d’atmosphère. Crédit: NASA / JPL / Université de l’Arizona / Université de l’Idaho. Cliquez pour agrandir l’image.

 

M. Bishop commente : «Nous sommes actuellement intéressés par ces réseaux pour établir des priorités d’exploration pour un hypothétique vaisseau spatial interstellaire intelligent, qui scannerait un système d’exoplanètes à sa portée.

Il ajoute : «Nous envisageons également l’utilisation d’antennes de Fresnel planes, déployables et de grande surface, pour obtenir des données sur la Terre à partir d’une sonde interstellaire à grande distance. Ce serait nécessaire si la technologie est utilisée dans des engins spatiaux robotisés à l’avenir.  »

Les observations atmosphériques – connues sous le nom de spectres – des cinq corps du système solaire sont entrées dans le réseau, qui est ensuite invité à les classer en termes de type planétaire. Comme la vie n’est actuellement connue que sur Terre, la classification utilise une métrique de «probabilité de vie» basée sur les propriétés atmosphériques et orbitales relativement bien comprises des cinq types de cibles.

Bishop a formé le réseau avec plus d’une centaine de profils spectraux différents, chacun avec plusieurs centaines de paramètres qui contribuent à l’habitabilité. Jusqu’à présent, le réseau fonctionne bien lorsqu’il est présenté avec un profil spectral de test qu’il n’a pas vu auparavant.

 

neural networkDiagramme schématique d’un réseau de neurones. Les entrées représentent les valeurs d’un spectre de l’atmosphère d’une planète test. La couche de sortie contient une «probabilité de vie», qui est basée sur une mesure de la similarité des entrées avec les cinq cibles du système solaire. Les entrées traversent une série de couches cachées dans le réseau, qui sont interconnectées et permettent au réseau d ‘«apprendre» quels schémas de lignes spectrales correspondent à un type de planète spécifique. Crédit: C. Bishop / Université de Plymouth. Cliquez pour agrandir l’image

 

 » Compte tenu des résultats obtenus jusqu’à présent, cette méthode peut s’avérer extrêmement utile pour catégoriser différents types d’exoplanètes en utilisant les résultats des observatoires terrestres et proches de la Terre », explique le Dr Angelo Cangelosi, le superviseur du projet.

La technique peut également être idéale pour sélectionner des cibles pour des observations futures, étant donné l’augmentation des détails spectraux attendus des prochaines missions spatiales telles que la mission spatiale Ariel de l’ESA et le télescope spatial James Webb de la NASA.

 

 


 

Contacts Media

 

Dr Robert Massey

Royal Astronomical Society

Mob: +44 (0)7802 877 699

ewass-press@ras.ac.uk

 

Ms Anita Heward

Royal Astronomical Society

Mob: +44 (0)7756 034 243

ewass-press@ras.ac.uk

 

Dr Morgan Hollis

Royal Astronomical Society

Mob: +44 (0)7802 877 700

ewass-press@ras.ac.uk

 

Dr Helen Klus

Royal Astronomical Society

ewass-press@ras.ac.uk

 

Ms Marieke Baan

European Astronomical Society

ewass-press@ras.ac.uk

 


Contacts scientifiques

 

Mr Christopher Bishop

Centre for Robotics and Neural Systems

Plymouth University

christopher.bishop@plymouth.ac.uk

 

 

Dr Angelo Cangelosi

Centre for Robotics and Neural Systems

Plymouth University

A.Cangelosi@plymouth.ac.uk