Par: Krista Davidson
23 Mar, 2020
Cette découverte est révolutionnaire, car la présence d’eau sur K2-18b signifie qu’elle pourrait avoir des caractéristiques similaires à celles de la Terre et pourrait nous aider à comprendre notre propre planète. Il y a une autre raison pour laquelle cette planète est spéciale : elle a été découverte avec l’aide d’une équipe de chercheurs interdisciplinaires qui ont reconnu la relation entre l’inférence causale et les méthodes nécessaires pour découvrir la planète.
Bernhard Schölkopf, boursier du programme Apprentissage automatique, apprentissage biologique du CIFAR et directeur de l’Institut Max-Planck sur les systèmes intelligents, a codéveloppé l’approche d’apprentissage automatique permettant d’identifier des exoplanètes comme K2-18b.
Dans le passé, la chasse aux exoplanètes a grandement profité du télescope spatial Kepler de la NASA, un instrument qui permet aux scientifiques d’observer les variations d’intensité lumineuse lorsqu’une exoplanète passe devant son étoile à chaque orbite. Cependant, comme les planètes sont beaucoup plus petites que les étoiles, ces variations sont infimes. De plus, les signaux physiques enregistrés par des télescopes comme Kepler contiennent une quantité considérable de bruit indésirable. Cela rend les exoplanètes extrêmement difficiles à détecter, explique Bernhard Schölkopf.
En 2013, en collaboration avec l’astronome David Hogg et le physicien Dan Foreman-Mackey, le chercheur a voulu déterminer s’il était possible de repérer des exoplanètes grâce à l’apprentissage automatique en se servant des données fournies par Kepler. Bernhard Schölkopf et ses collaborateurs ont utilisé l’apprentissage automatique pour reconstruire le véritable signal d’une étoile à partir des données d’autres étoiles. En s’appuyant sur de vastes ensembles de données recueillies par Kepler sur plus de 100 000 étoiles, ils ont pu entraîner de puissants algorithmes d’apprentissage automatique pour éliminer les erreurs systématiques produites par l’instrument.
« Nous avons remarqué des points communs dans la lumière émise par différentes étoiles, de sorte que deux étoiles différentes qui sont à des années-lumière l’une de l’autre peuvent devenir plus sombres ou plus lumineuses en même temps, dit Bernhard Schölkopf. Lorsque cela se produit, c’est un indice que l’instrument est la cause de ces signaux, et non les étoiles. »
L’élimination du bruit dans les données fournies par le télescope Kepler est devenue particulièrement importante en 2013 lors de la défaillance des roues de réaction qui orientent l’instrument. La NASA a gardé le télescope en fonction en tirant parti de la pression de rayonnement du soleil et du carburant restant pour maintenir la stabilité du télescope, dans le cadre d’une mission baptisée K2.
En 2015, Bernhard Schölkopf et son équipe ont appliqué leurs méthodes d’entraînement aux données fournies par K2 et ont repéré 36 exoplanètes possibles. Plus de la moitié ont été ensuite confirmées par d’autres télescopes. Parmi celles-ci, K2-18b, une planète située à 124 années-lumière de la Terre.
La découverte de la vapeur d’eau dans l’atmosphère de K2-18b est survenue la même semaine que la remise du prix Körber 2019 à Bernhard Schölkopf pour ses contributions dans le domaine de l’apprentissage automatique. Il a reçu un million d’euros pour ses travaux sur les méthodes fondées sur l’utilisation de noyaux, qu’il définit comme une « forme mathématiquement élégante d’apprentissage automatique qui peut être appliquée aux données structurées et aux dépendances non linéaires ».
« C’était une bonne semaine, admet-il. Alors que je me préparais pour la remise des prix, David Hogg m’a envoyé un courriel pour m’informer qu’une des planètes que nous avions découvertes il y a quelques années avait fait les manchettes. C’était gratifiant de découvrir quelque chose de nouveau dans l’Univers. Mes recherches portent sur la compréhension des régularités dans le monde. C’est la base de la science, mais cela implique aussi l’intelligence, ce qui nous permet de faire des prévisions. »
En février 2020, Bernhard Schölkopf a été avisé qu’il allait recevoir le prix Frontières de la connaissance de la Fondation BBVA dans la catégorie Technologies de l’information et de la communication en juin 2020. Ce prix est assorti d’une somme de 400 000 euros.
Avec ses collègues du programme Apprentissage automatique, apprentissage biologique du CIFAR, Bernhard Schölkopf travaille actuellement sur des algorithmes robustes reposant sur des dépendances causales qui permettent aux machines de s’adapter à de nouveaux environnements.
« À mesure que les scientifiques recueillent de plus en plus de données et que la recherche sur l’apprentissage automatique et l’IA progresse, la possibilité que ces nouvelles méthodes contribuent à des avancées scientifiques importantes augmente », déclare Yoshua Bengio, codirecteur du programme Apprentissage automatique, apprentissage biologique du CIFAR et titulaire d’une chaire en IA Canada-CIFAR (Mila et Université de Montréal). « Je suis ravi de cette percée majeure, due en partie à mon ami et collaborateur Bernhard Schölkopf, un pilier du programme Apprentissage automatique, apprentissage biologique du CIFAR qui a récemment reçu des prix importants pour ses contributions exceptionnelles dans notre domaine. »
Le programme Apprentissage automatique, apprentissage biologique du CIFAR a joué un rôle majeur dans la révolution de l’IA en examinant comment les réseaux neuronaux artificiels pouvaient s’inspirer du cerveau humain et en mettant au point une technique puissante : l’apprentissage profond.
Aujourd’hui, le programme élargit notre compréhension des principes informatiques et mathématiques fondamentaux qui développent l’intelligence par l’apprentissage, que ce soit dans les cerveaux ou dans les machines.
Les systèmes d’IA actuels ont une compréhension limitée du monde qui nous entoure. Le programme Apprentissage automatique, apprentissage biologique du CIFAR s’attaque à ces limites en revisitant les questions fondamentales plutôt qu’en se concentrant sur les progrès technologiques à court terme. Cette approche fondamentale a le double avantage d’améliorer la conception technique des machines intelligentes et d’expliquer l’intelligence.