Nouveau Modèle de Réseau Neuronal Multimodal pour la Classification des Objets Célestes : Une Avancée Majeure pour l'Astronomie Chinoise

Une nouvelle étude propose un modèle de réseau neuronal multi-modales pour classifier les objets célestes, menée par le Dr Feng Haicheng de l'Observatoire astronomique de Yunnan de l'Institut de recherches de l'Académie chinoise des sciences, en collaboration avec le Dr Li Rui de l'Université de Zhengzhou et le Professeur Nicola R. Napolitano de l'Université Federico II de Naples en Italie. Aujourd'hui, l'identification précise des types d'objets célestes est essentielle à la compréhension de la structure de l'univers, de l'évolution des galaxies et de la distribution de la matière noire. Cela se fait généralement grâce à des observations spectrales qui, malgré leur importance, nécessitent l'allocation massive de ressources d'observation et ne permettent pas la couverture complète lors de vastes sondages spatiaux. De ce fait, la plupart des astres manquent de données spectrales, limitant de longue date l'étude systématique de milliards de corps célestes. À l'inverse, les images peuvent être recueillies rapidement et offrent une couverture plus large tout en permettant la détection d'astres plus faibles. Les données photométriques produisent des spectres énergétiques multi-bandes (SED) qui, eux, peuvent aider à comprendre les mécanismes de radiation des astres. Elles apportent également des informations sur la forme des corps célestes, ajoutant une autre dimension à l'analyse. Cependant, relier un astre uniquement par ses caractéristiques morphologiques ou son SED peut conduire à des ambiguités. Par exemple, une quasar à haut décalage vers le rouge et une étoile se manifestent toutes deux sous forme de sources ponctuelles dans une image, et dans l'espace couleur, différents types d'astres peuvent se chevaucher, provoquant des erreurs de classification. En repensant cette problématique, l'équipe de Feng Haicheng a introduit un modèle de réseau neuronal muti-modales qui fusionne innovativement les traits morphologiques avec les informations SED. Cette approche permet une classification automatique et très précise des étoiles, des quasi-étoiles (ou quasars), et des galaxies. Le modèle a été testé sur le project de Sondage sur un millier de degrés carrés de l'Observatoire européen austral (KiDS), où il a classifié plus de 27 millions d'objets observables dans la bande r, brighter than 23rd magnitude, dans un secteur de 1350 degrés carrés publié lors du cinquième cycle de diffusion de données. La méthode utilisée par cette équipe pourrait avoir un impact significatif à mesure que d'importants projets de sondages multi-bandes seront initiés, tels que le télescope de survol spatiale de station spatiale chinoise. Ces initiatives prometteuses sont susceptibles de générer des milliards de points de données d'objets célestes. Par rapport à des techniques traditionnelles, l'approche d'apprentissage profond multi-modales pourrait donc fournir une base technique robuste pour une classification rapide, automatisée et précise des objets célestes. Les chercheurs prévoient d'améliorer encore davantage la flexibilité du modèle, et de l'appliquer des tâches de traitement de données issues de sondages cosmiques massifs. Leur ambition ultime est de propulser la gestion des données astronomiques du quantitatif vers des modèles intelligents, constituant une base solide pour l'établissement de bases de données astronome de qualité et pour la découverte des règles qui régissent l'évolution de l'univers. Ce travail a récemment été publié dans "The Astrophysical Journal Supplement Series" sous le titre "Classification morpho-photométrique des sources KiDS DR5 basée sur les réseaux de neurones : un catalogue complet d'étoiles-galaxies-quasars". Il a bénéficié du soutien de la Commission nationale des fonds naturels pour la recherche scientifique, du ministère des Sciences et Technologie, du gouvernement de la province du Yunnan et du programme spatial habité de Chine. Des résultats pertinents ont été obtenus à partir d'un échantillon de 20 000 objets célestes, illustrant la matrice de confusion issue de la classification. Cette nouvelle contribution pourrait jouer un rôle crucial dans l'avancement de la classification automatique dans l’astronomie, une étape cruciale pour continuer à percer les mystères de notre univers.