Matthew Chan, étudiant en doctorat à l’université de Lancaster en Angleterre, a présenté aujourd’hui ses travaux lors de la session d’apprentissage automatique en astrophysique. Il a mis au point cet outil de «Deep-CEE» (Deep Learning for Galaxy Cluster Extraction and Evaluation); qui permet entre autre un apprentissage en profondeur des éléments de l’espace.

Les amas de galaxies se composent de plusieurs galaxies liées par la gravité. Ce sont des structures du cosmos extrêmement difficile à repérer, pourtant très recherché dans les études astrologiques. L’étude de ces amas peut aider à comprendre l’énergie et la matière noire, autours des quels se trouvent une flux d’interrogations. Le Deep-CEE permet l’extraction et l’évaluation des différents groupes de galaxies.

Pour ce faire, Matthew Chan s’est inspiré des études préalablement établie; à savoir l’approche de l’astronome George Abell, premier instigateur à la recherche des amas de galaxies. A l’aide des modèles antérieures, il intègre la notion d’intelligence artificielle qui imite des facultés du cerveau humain. Il a procédé à la formation d’un algorithme capable de la reconnaissance d’images astronomiques. Ainsi, celui-ci apprend à reconnaître simultanément les objets, en activant des neurones spécifiques. Il fut ensuite associé à l’outil, après une étude pilote clôturée avec succès.

Le Deep-CEE a été conçu pour reconnaître, localiser et identifier en couleurs les amas de galaxies les plus lointains. En automatisant le processus, les scientifiques pourront numériser et renvoyer avec précisions des ensembles d’images de la Galaxies. A l’avenir, cela semble essentiel dans l’analyse des données et l’accélération des recherches.

« Les techniques d’exploration de données telles que l’apprentissage en profondeur nous aideront à analyser les énormes résultats des télescopes modernes » Dixit le Dr John Stott (directeur de thèse de Matthew Chan).