Un logiciel d’IA aide les astronomes à flouter les galaxies

Selon les dernières recherches, un algorithme d’intelligence artificielle peut aider les astronomes à flouter les images capturées par des télescopes au sol avec plus de précision et plus rapidement que les méthodes traditionnelles.

Une paire de chercheurs de l’Université Northwestern et de l’Université Tsinghua a combiné des techniques de traitement d’image et formé un réseau de neurones pour éliminer les interférences des pixels d’images simulées de galaxies.

“L’outil prend une image bruyante et floue et une description du flou atmosphérique – en particulier, la fonction d’étalement des points, qui est une image de la façon dont un seul point de lumière est flou par le système”, a déclaré Emma Alexander, professeure adjointe de informatique à la Northwestern University et co-auteur de la recherche, a expliqué à Le registre.

“Nous appliquons ensuite un réseau de neurones qui alterne entre la suppression du flou et le nettoyage du bruit de l’image, en faisant des allers-retours entre ces deux problèmes pour un nombre défini d’étapes. Nous nous retrouvons avec une image où le flou et le bruit de fond ont été supprimés, et nous montrons que les formes de galaxies estimées à partir de nos images nettoyées sont plus précises que celles des autres méthodes.”

Le logiciel aurait produit des images contenant jusqu’à 38,6 % d’erreurs en moins que celles produites à l’aide de techniques de traitement d’image classiques plus anciennes, et jusqu’à 7,4 % d’erreurs en moins par rapport aux méthodes plus modernes utilisées aujourd’hui.

“Le but de la photographie est souvent d’obtenir une image jolie et belle”, a déclaré Alexander dans un communiqué.

“Mais en nettoyant les images de la bonne manière, nous pouvons obtenir des données plus précises. L’algorithme supprime l’atmosphère par calcul, permettant aux physiciens d’obtenir de meilleures mesures scientifiques. En fin de compte, les images sont également plus belles.”

Les observations astronomiques sont floues car la lumière des objets éloignés est diffractée lorsqu’elle traverse l’atmosphère terrestre. Les observatoires sont souvent placés à des altitudes élevées où l’air est plus fin pour mieux voir le ciel nocturne, mais de petits détails dans les images peuvent toujours être affectés.

Les bords des galaxies sont également difficiles à détecter, ce qui rend difficile la discernement de leurs formes. Une galaxie elliptique, par exemple, pourrait sembler plus floue et plus ronde sous le télescope.

“De légères différences de forme peuvent nous renseigner sur la gravité dans l’univers”, a déclaré Alexander. “Ces différences sont déjà difficiles à détecter. Si vous regardez une image d’un télescope au sol, une forme peut être déformée. Il est difficile de savoir si cela est dû à un effet gravitationnel ou à l’atmosphère.”

Les chercheurs ont utilisé un algorithme d’optimisation et l’ont combiné avec un réseau de neurones pour entraîner un système à flouter automatiquement les images. Le modèle a été formé sur des images de galaxies fictives conçues pour correspondre aux spécifications qui seront utilisées par l’observatoire Vera C Rubin au Chili, qui devrait commencer ses opérations en août de l’année prochaine.

La nouvelle méthode de traitement d’image par IA de floutage pourra aider les astronomes à traiter de nouvelles images prises par le télescope Simonyi Survey de l’observatoire. L’instrument dispose d’un miroir primaire de 8,4 mètres qui capturera une vue à large champ de l’ensemble du ciel nocturne tous les quelques jours.

Alexander et Tianao Li, un étudiant de premier cycle en génie électrique à l’Université Tsinghua, ont publié leur code en ligne, ainsi que des didacticiels enseignant aux astronomes comment l’appliquer à leurs propres données. Leur étude a également été publiée dans les Monthly Notices de la Royal Astronomical Society.

Le modèle devra être formé à partir de zéro en utilisant des données simulées pour correspondre aux paramètres d’un télescope différent, nous a dit Alexander.

“Notre outil utilise un réseau de débruitage profond, qui apprend un a priori basé sur les données pour ce à quoi les images d’un télescope spécifique devraient généralement ressembler. Le passage à un autre télescope signifie que les images peuvent sembler systématiquement différentes, peut-être en raison d’un changement dans la résolution de l’image , le bruit du capteur ou la diffraction causée par le diamètre du télescope. Dans ces cas, un nouvel ensemble d’apprentissage doit être généré pour affiner le réseau profond.

“Maintenant, nous transmettons cet outil, le mettant entre les mains d’experts en astronomie”, a déclaré Alexander. “Nous pensons que cela pourrait être une ressource précieuse pour les relevés du ciel afin d’obtenir les données les plus réalistes possibles.” ®