Un réseau de neurones apprend à piloter les télescopes plus efficacement qu'un humain

Des chercheurs de l'Université Northwestern, de l'Université de Chicago et du laboratoire national d'accélérateurs Fermi ont développé et testé un système d'apprentissage profond qui calcule et ajuste en temps réel le planning des observations astronomiques en fonction de la météo et des phases de la Lune. L'algorithme a été déployé dans le cadre de l'Institut d'intelligence artificielle pour le ciel SkAI sur le télescope Victor Blanco de 4 mètres à l'observatoire interaméricain de Cerro Tololo au Chili. Auparavant, les opérateurs devaient manuellement tenir compte de la transparence atmosphérique et de la lumière lunaire pour éviter la surexposition des images, et en cas d'erreur, une nouvelle session pouvait être reportée de plusieurs mois en raison de la concurrence pour le temps d'observation. Au lieu de règles classiques, les développeurs ont utilisé l'apprentissage par renforcement, en entraînant un réseau de neurones sur les données du projet Dark Energy Survey. Le modèle analysait les actions humaines et les comparait aux archives météorologiques. Lors de deux essais sur la caméra DECam, l'algorithme a montré une efficacité comparable à celle de scientifiques qualifiés. Les auteurs prévoient de modifier le code pour que le système recherche des trajectoires d'observation non conventionnelles, que les humains ignorent en raison de biais cognitifs. L'automatisation libérera du temps aux astronomes pour analyser les découvertes et aidera à répartir efficacement les ressources des futurs observatoires, notamment l'observatoire Vera Rubin.