Un réseau de neurones débarrasse la quête d'exoplanètes du bruit stellaire express
Pendant six ans, le télescope HARPS-N, sur l'île de La Palma, a observé le Soleil comme s'il s'agissait d'une étoile lointaine : il a enregistré des spectres, suivi la luminosité, noté chaque frémissement des raies spectrales. Tout cela pour comprendre comment distinguer le faible balancement d'une étoile du véritable signal d'une planète.
Une étoile n'est pas immobile : sa surface bouillonne comme une casserole de soupe. Des bulles chaudes remontent, des taches apparaissent, le champ magnétique change. Tout cela décale légèrement les raies du spectre — et ressemble à un léger balancement, semblable à celui provoqué par une planète. Autrefois, les astronomes tentaient de soustraire ce « bruit stellaire » à la main, mais il est trop complexe et irrégulier.
Le réseau de neurones a pris le relais. Il a été entraîné sur six années de données solaires, en lui indiquant quels changements de luminosité, de champ magnétique et de forme des raies spectrales sont liés au bouillonnement de la surface. Il s'est avéré que toutes les indications ne sont pas également utiles. Par exemple, l'inclinaison de la raie ou la largeur de la raie du sodium n'aident presque pas. En revanche, le flux magnétique, la luminosité globale et sa vitesse de variation, ainsi que la forme de la raie de l'hydrogène, aident énormément.
Il reste un peu moins d'un mètre par seconde — et c'est apparemment la limite imposée par les gigantesques cellules de convection du Soleil, grandes comme des continents entiers. Pour détecter une planète comme la Terre, il faut éliminer ce bruit également. La prochaine étape sera donc d'apprendre au réseau de neurones à reconnaître des traces encore plus subtiles du bouillonnement.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2602.17760
The measurement of exoplanet masses using the radial velocity (RV) technique is currently limited by stellar activity, which introduces quasiperiodic variability signals that must be modeled and removed to enhance the sensitivity of the RV measurements to exoplanet signals. Neural networks have previously been demonstrated effective in modeling stellar activity signals in HARPS-N solar data using white light cross correlation functions (CCFs). Building on this work, we train a neural network on six years of HARPS-N solar data with additional parameters commonly associated to stellar activity, including chromatic CCFs, line shape metrics, spectral activity indicators, total solar irradiance (TSI) light curves from SORCE and TSIS-1, and TSI time derivatives. Our results show that parameters such as the bisector inverse slope and Na D equivalent widths do not significantly improve the neural network's ability to predict activity-induced RV variations compared to using the white light CCFs alone. However, parameters such as unsigned magnetic flux, the TSI and its time derivative, S-index, H-alpha equivalent width, chromatic CCFs, contrast, and full width at half maximum do improve the neural network's ability to predict RV scatter. Our new model reduces the RV scatter in a held-out test set from 147.1 cm/s to 93.3 cm/s, consistent with supergranulation noise levels reported in previous studies. These results suggest that finding effective tracers for (super)granulation will be critical to train models capable of further mitigating RV jitter, and necessary for characterizing Earth analogues.
Une vitesse de 93 centimètres par seconde est plus lente que la progression d'un escargot de jardin (environ 1,5 cm/s, mais l'escargot ne peut pas maintenir cette vitesse longtemps, alors que l'étoile « tremble » en continu).
Dans le film « Interstellar », les héros cherchent des planètes autour d'un trou noir, mais même autour d'une étoile calme comme le Soleil, le bruit propre de l'étoile empêche de détecter une planète semblable à la Terre — désormais, un réseau de neurones aide à « entendre » le faible signal.