Brice Louvet
SETI regroupe des projets dont l’objectif est de détecter la présence de civilisations extraterrestres avancées dans l’univers. Une étude publiée dans Nature décrit l’un des nombreux efforts visant à utiliser l’apprentissage automatique, un sous-ensemble de l’intelligence artificielle (IA), pour aider les astronomes à passer rapidement au crible les rames de données disponibles. Parmi les nombreux signaux radio captés, huit d’entre eux suscitent beaucoup d’espoir chez les spécialistes.
On dénombre à ce jour plus de 5 000 exoplanètes dans notre carnet d’adresses cosmiques grâce au travail de plusieurs grands télescopes, comme Kepler. À l’avenir, d’autres instruments de nouvelle génération, comme le James Webb Telescope ou le Nancy Grace Roman Telescope, promettent également de nombreuses autres découvertes. Se pose ainsi plus que jamais la question de la vie extraterrestre.
Dans cette quête, de nombreuses études ont axé leurs recherches sur l’identification de bio-signatures. Un autre domaine de recherche, celui privilégié par le SETI (Search for Extra-Terrestrial Intelligence), consiste à sonder des traces témoignant de la présence de technologies avancées : les technosignatures. Sur ce point, l’intelligence artificielle accompagne de plus en plus les chercheurs.
Démêler les informations
La problématique du big data est relativement nouvelle pour le SETI. Pendant des décennies, la plupart des recherches se sont en effet limitées à un petit nombre d’étoiles. Tout a changé en 2015 avec le financement du projet Breakthrough Listen par le milliardaire Yuri Milner. Son objectif : sonder de possibles traces de vie extraterrestre en provenance d’un million d’étoiles.
Pour opérer, les astronomes s’appuient essentiellement sur les télescopes de Green Bank (Virginie-Occidentale) et Parks (Australie) pour capter d’éventuelles émissions radio dont la fréquence change régulièrement, comme cela se produirait si un émetteur extraterrestre se trouvait sur une planète se déplaçant par rapport à la Terre.
Le problème est que ces recherches produisent d’énormes quantités de données, dont beaucoup de faux positifs produits par les interférences terrestres (smartphones, GPS, etc.). Parcourir manuellement ces millions d’observations pour différencier tous les signaux n’est pas simple et demande énormément de temps, d’où l’importance de l’apprentissage automatique. En effet, ces algorithmes formés sur de grandes quantités de données peuvent apprendre à démêler tout ce qui est terrestre, et tout ce qui ne l’est pas.
De plus, l’apprentissage automatique est également efficace pour capter les signaux extraterrestres candidats qui n’entrent pas dans les catégories conventionnelles. Ces signaux étaient généralement ignorés par les algorithmes précédents plus « classiques ».
Huit signaux intrigants
Cela étant dit, dans le cadre d’une récente campagne d’analyses, plusieurs chercheurs du SETI ont passé au crible les données renvoyées depuis 820 étoiles proches captées par le télescope Green Bank. Un logiciel d’apprentissage automatique dédié aurait rapporté près de trois millions de signaux d’intérêt. Sur cet échantillon, la plupart étaient d’origine terrestre. Tous ont donc été rejetés par l’IA. Au bout du compte, il n’en restait que 20 000. Les chercheurs les ont ensuite examinés manuellement pour finalement réduire l’échantillon à huit candidats intrigants possiblement compatibles avec l’hypothèse d’une vie intelligente extraterrestre.
Les chercheurs ont ensuite braqué à nouveau les antennes du télescope vers ces huit sources potentielles pour tenter de capter de nouveaux signaux. Malheureusement, aucun d’entre eux ne s’est répété une seconde fois.
Cependant, les spécialistes ne désespèrent pas pour autant. À l’avenir, ces méthodes pourraient en effet être utilisées sur d’autres ensembles de données, comme ceux de MeerKAT, un radiotélescope composé de soixante-quatre antennes situé dans le Cap Nord de l’Afrique du Sud. Les algorithmes d’apprentissage automatique pourraient également être utilisés sur des données SETI archivées pour isoler des signaux qui auraient pu être négligés auparavant.
