Comment un réseau de neurones a appris à repérer les géants amas d'étoiles ✛ ✦

Original: "Star-forming clump detection in nearby galaxies using Faster R-CNN and $$ugrizy$$ imaging data from CLAUDS and HSC-SSP"
arXiv:2607.04176 · 2026-07-05 · CC BY 4.0 · 1 min
Un réseau de neurones repère tout seul les berceaux d'étoiles massives sur des centaines de milliers d'images de galaxies lointaines.

Les astronomes cherchent dans les galaxies lointaines des amas d'étoiles géants — des berceaux d'étoiles qui naissaient en masse il y a des milliards d'années. Passer en revue à la main des centaines de milliers d'images, c'est comme pour un cueilleur de champignons de parcourir une forêt sans fin. Mais l'apprentissage automatique donne au programme-cueilleur un atlas d'exemples.

D'abord, des milliers de bénévoles ont étiqueté des galaxies — c'est l'alphabet. Ensuite, le réseau de neurones a étudié chaque région du ciel dans six bandes de lumière — de l'ultraviolet à l'infrarouge. L'ultraviolet, d'ailleurs, a apporté des découvertes : les jeunes étoiles y brillent comme des lanternes. Pour éliminer les erreurs, les scientifiques ont glissé des fausses images générées par ordinateur — le programme les a repérées.

Résultat : un million et demi de candidats dans 710 000 galaxies. En évaluant le rougissement de la lumière (les galaxies s'éloignent), les impuretés d'éléments lourds et le gaz interstellaire, les scientifiques reconstitueront la croissance des galaxies. Et la décomposition de la lumière racontera la biographie stellaire.

Pour entraîner le programme, les scientifiques ont annoté plus de trois mille clichés, en marquant toutes les « illusions » — les étoiles et les galaxies d'arrière-plan qui peuvent facilement être confondues avec des amas.

I'_x = \frac{\operatorname{asinh}(e^{10} I_x) / \operatorname{asinh}(e^{10}) + 0.05}{0.72}
La normalisation de la luminosité des pixels par l'arcsinus hyperbolique compresse l'immense gamme dynamique des images astronomiques, rendant visibles les détails les plus faibles des amas.
Scientifiques
Rashid Alievich SunyaevNancy Grace RomanAndrey MarkovR. Brent Tully
Notions
amas dense formation stellaire régions de formation d'étoiles amas globulaire amas amas ouvert archéologie stellaire galaxies à points rouges pépinière stellaire grand nuage de Magellan galaxies à haut décalage vers le rouge archéologie galactique chimique constellation planète errante bulbe galactique galaxie naine regroupement imagerie directe microlentille gravitationnelle exoplanètes autour des naines rouges