Dans une démonstration saisissante de la capacité de l'intelligence artificielle (AI) à transformer la découverte scientifique, un nouvel outil d'IA a accompli en quelques jours ce qui aurait pris des années aux astronomes humains. Une équipe de chercheurs de la European Space Agency (ESA) a déployé avec succès un modèle d'IA nommé AnomalyMatch pour passer au crible les vastes archives du Hubble Space Telescope. Le résultat est une mine d'or de plus de 800 anomalies cosmiques auparavant non documentées, allant de lentilles gravitationnelles déformées à des galaxies « jellyfish » et des objets qui défient la classification actuelle.
Cette percée, détaillée dans la revue Astronomy & Astrophysics, marque un tournant dans notre façon d'explorer l'univers. Pendant des décennies, la découverte astronomique a reposé largement sur l'observation ciblée ou des trouvailles fortuites — tomber sur l'étrange en cherchant le routinier. Désormais, avec AnomalyMatch, les astronomes disposent d'un moteur systématique de sérendipité, capable de traiter des décennies de données pour révéler les « aiguilles » cachées dans la botte de foin cosmique.
Le défi auquel fait face l'astronomie moderne n'est pas un manque de données, mais un surplus accablant de celles-ci. Le Hubble Space Telescope à lui seul observe l'univers depuis 35 ans, générant des millions d'images qui forment le Hubble Legacy Archive. Inspecter manuellement chaque objet de cette archive à la recherche de caractéristiques inhabituelles est une tâche au‑delà des limites des échelles de temps humaines.
Entrée AnomalyMatch. Développé par les chercheurs de l'ESA David O'Ryan et Pablo Gómez, ce réseau neuronal a été conçu non seulement pour classer les objets connus, mais pour reconnaître la « bizarrerie ». Contrairement aux algorithmes traditionnels entraînés à trier les galaxies en catégories nettes (spirale, elliptique, irrégulière), AnomalyMatch utilise des techniques d’apprentissage non supervisé (unsupervised learning) pour identifier les valeurs aberrantes — des points de données qui s'écartent significativement de la norme établie.
L'efficacité de l'outil est stupéfiante. Les chercheurs ont chargé l'IA d'analyser près de 100 millions d'extraits d'images, chacun représentant une petite portion du ciel d'environ 7 à 8 arcsecondes de large. Fonctionnant sur un seul processeur graphique (GPU), AnomalyMatch a traité cette montagne de données en seulement 2,5 à 3 jours.
« Les observations archivées du Hubble Space Telescope s'étendent désormais sur 35 ans, fournissant une mine de données où des anomalies astrophysiques peuvent être trouvées », a souligné David O'Ryan, auteur principal de l'étude. Cependant, il a insisté sur le fait que sans l'IA, ce potentiel resterait largement inexploité parce qu'« il y a tout simplement trop de données pour que les experts les trient à l'échelle de détail nécessaire à la main ».
Alors que l'IA apportait la vitesse, l'expertise humaine assurait la validation. Ce flux de travail représente le modèle « human-in-the-loop » qui devient la référence dans les applications scientifiques de l'IA. AnomalyMatch n'a pas unilatéralement réécrit les manuels ; il a agi comme un filtre hyper‑efficace.
Sur les 100 millions d'extraits, l'IA a signalé environ 1 400 objets comme statistiquement anormaux. Cette liste restreinte et gérable a permis à O'Ryan et Gómez d'effectuer une inspection manuelle détaillée. Les résultats furent impressionnants : sur les 1 400 candidats, les chercheurs ont confirmé qu'environ 1 300 étaient effectivement de véritables anomalies.
Fait crucial, bien que certains de ces objets aient été repérés auparavant, plus de 800 d'entre eux étaient entièrement nouveaux pour la science. Il s'agissait d'objets qui reposaient dans les archives publiques depuis des années, invisibles aux yeux humains jusqu'à ce qu'un algorithme apprenne à les chercher.
Les anomalies mises au jour par le projet offrent une coupe fascinante des processus les plus violents et les plus beaux de l'univers. L'IA n'a pas trouvé un seul type d'objet ; elle a trouvé une gamme diversifiée d'étrangetés cosmiques.
Parmi les découvertes les plus précieuses scientifiquement figuraient les lentilles gravitationnelles. Celles‑ci se produisent lorsqu'une galaxie massive au premier plan courbe la lumière d'une galaxie plus lointaine en arrière‑plan, créant des arcs, des anneaux ou des images multiples. L'étude a identifié 86 nouveaux candidats potentiels de lentilles gravitationnelles. Ceux‑ci sont précieux pour les cosmologistes car ils agissent comme des télescopes naturels, nous permettant de voir plus loin dans le passé et de cartographier la distribution de la matière noire (dark matter).
L'anomalie la plus courante, cependant, était les fusions de galaxies. L'IA a repéré 417 cas de galaxies en collision, un processus chaotique qui déclenche la formation d'étoiles et remodelle les structures galactiques.
Key Anomalies Discovered by AnomalyMatch
| Type of Anomaly | Count (Approx.) | Scientific Significance |
|---|---|---|
| Galaxy Mergers | 417 | Reveals how galaxies evolve and grow through collisions. Often features tidal tails and starbursts. |
| Gravitational Lenses | 86 (New candidates) | Crucial for mapping dark matter and studying the early universe. Acts as a "cosmic magnifying glass." |
| Jellyfish Galaxies | Variable | Galaxies being stripped of gas by the intergalactic medium. Features long "tentacles" of star formation. |
| Edge-on Protoplanetary Disks | Variable | Rare views of solar systems in formation. Dubbed "cosmic hamburgers" due to their shape. |
| Unclassified Objects | ~43 | Phenomena that do not fit into any existing category. Potential for new physics or unknown stellar events. |
| --- | --- | ---- |
Peut‑être les plus intrigants sont les objets que les chercheurs n'ont pas pu classer du tout. Environ 43 des objets signalés ont défié toute catégorisation standard. Ces « inconnus » représentent la frontière de la découverte — des mystères qui pourraient nécessiter des observations de suivi avec le James Webb Space Telescope (JWST) pour être déchiffrés.
Le succès d'AnomalyMatch dépasse le simple nettoyage des arriérés de Hubble ; il constitue une preuve de concept pour l'avenir de l'astronomie. Nous sommes actuellement sur le point d'un « déluge de données (data deluge) ».
Les missions à venir comme la mission Euclid de l'ESA, le Nancy Grace Roman Space Telescope de la NASA et l'observatoire terrestre Vera C. Rubin Observatory généreront des données à une échelle qui dépasse de loin Hubble. Le seul Vera Rubin Observatory devrait capturer 20 téraoctets de données chaque nuit.
« Les volumes de données vont exploser », a déclaré Pablo Gómez, coauteur de l'étude. « Les inspections manuelles traditionnelles ou même les vastes efforts de science participative comme Galaxy Zoo flancheront tout simplement face à de tels volumes. »
Dans ce contexte, des outils d'IA comme AnomalyMatch cessent d'être un luxe pour devenir une nécessité. Ils serviront de première ligne de défense, tamisant le bruit pour alerter les astronomes des signaux qui comptent. En automatisant la recherche du rare et de l'étrange, l'IA garantit que les événements les plus scientifiquement précieux — la supernova qui vient d'exploser, l'astéroïde se déplaçant sur une orbite inattendue, ou la galaxie au comportement étrange — ne se perdent pas dans les archives.
La découverte de 800 nouvelles anomalies cosmiques dans de vieilles données témoigne du pouvoir de revisiter le passé avec de nouveaux outils. Cela nous rappelle que la découverte ne consiste pas toujours à construire un télescope plus grand ; parfois, il s'agit de construire un algorithme plus intelligent. Alors que Creati.ai continue de surveiller l'intersection entre intelligence artificielle et science, il est clair que le rôle de l'astronome évolue. L'astronome du futur ne sera pas seulement un observateur des étoiles, mais un architecte de l'intelligence qui les surveille.
L'Agence américaine de protection de l'environnement (EPA) a estimé que la xAI d'Elon Musk a fait fonctionner illégalement des dizaines de turbines à gaz naturel pour alimenter ses centres de données dans le Tennessee sans les autorisations nécessaires, suscitant des préoccupations environnementales et réglementaires.
