Détecter les filaments interstellaires grâce à l’intelligence artificielle
La formation des étoiles dans les galaxies se déroule dans des filaments composés de gaz (principalement d’hydrogène) et de petites particules solides appelées poussières interstellaires principalement constituées de carbone. Selon l’endroit où se trouvent ces filaments ils peuvent être difficiles à détecter dans les données. Dans une approche innovante et interdisciplinaire, nous avons testé l’intérêt de l’apprentissage automatique supervisé afin de tenter de détecter les filaments situés dans le plan de notre Galaxie.
Cette approche se fonde sur des résultats existants de détection de filaments à partir de méthodes classiques d’extraction. Les filaments extraits sont utilisés pour entraîner des réseaux convolutifs de type Unet et Unet++. Le modèle entrainé apprend à reconnaître les filaments et nous permet ensuite de créer une image du plan galactique sur laquelle chaque pixel est représenté par un score (compris entre 0 et 1) d’appartenir à la classe « filament » apprise.
Les résultats de l’approche par apprentissage montrent que cette méthode permet de détecter des filaments qui n’étaient pas identifiés jusqu’alors par les méthodes de détection habituellement utilisées. De nouveaux filaments sont détectés et peuvent être confirmés grâce à une approche empirique utilisant des données disponibles à d’autres longueurs d’onde qui, pour l’instant, ne sont pas utilisées dans l’apprentissage.
Le but de ce projet intitulé BigSF et financé par la mission pour les initiatives transverses et interdisciplinaires (MITI) du CNRS, la fondation A*Midex et la mission interdisciplinarité(s) d’Aix Marseille Université est d’étudier la formation des étoiles dans notre Galaxie en alliant la grande masse de données disponibles et l’apprentissage automatique. Nos défis actuels sont de générer des données de filaments qui vont nous permettre de valider les résultats obtenus par apprentissage et de s’orienter vers le Physics-Informed Machine Learning qui permet d’introduire les modèles physiques connus pour ces structures dans le modèles d’apprentissage.
Ce projet ouvre la voie à une nouvelle vision du milieu dans lequel les étoiles se forment, en permettant une étude jusqu’alors impossible.
Les articles scientifiques qui présentent les résultats du programme sont disponibles en accès ouvert :
Zavagno, A., F.-X. Dupé, S. Bensaid, E. Schisano, G. Li Causi, M. Gray, S. Molinari, D. Elia, J.-C. Lambert, M. Brescia, D. Arzoumanian, D. Russeil, G. Riccio, & S. Cavuoti, « Supervised machine learning on Galactic filaments – Revealing the filamentary structure of the Galactic interstellar medium », Astronomy & Astrophysics. 1 janvier 2023, vol.669, A120.
DOI : https://doi.org/10.1051/0004-6361/202244103
Berthelot, L., A. Zavagno, T. Artières, F.-X. Dupé, M. Gray, D. Russeil, E. Schisano, and D. Arzoumanian,Berthelot, L., A. Zavagno, T. Artières, et al. « Supervised machine learning on Galactic filaments: II. Encoding the position to optimize the detection of filaments over a wide range of column density and contrast », Astronomy & Astrophysics, décembre 2024, vol.692, A41.
DOI : https://doi.org/10.1051/0004-6361/202450828
Crédit de l’image “à la une” : Les filaments interstellaires détectés grâce à l’apprentissage automatique, 02.01.2024. Photographe Annie Zavagno.
OpenEdition vous propose de citer ce billet de la manière suivante :
Mission interdisciplinarité(s) (22 janvier 2025). Détecter les filaments interstellaires grâce à l’intelligence artificielle. Crossdisciplines. Consulté le 18 avril 2025 à l’adresse https://crossdisciplines.hypotheses.org/1666