En route vers l’infini, et plus loin encore

Etienne Plamondon Emond Collaboration spéciale
L’IA se révèle fort pertinente dans la chasse aux exoplanètes.
Photo: iStock L’IA se révèle fort pertinente dans la chasse aux exoplanètes.

Ce texte fait partie d'un cahier spécial.

L’invention du télescope et du microscope a entraîné une révolution scientifique au XVIIe siècle. Près de 400 ans plus tard, l’intelligence artificielle commence à se greffer à leurs usages et pourrait repousser encore les limites de notre compréhension de l’infiniment petit et de l’infiniment grand.

Pour mieux observer l’activité des neurones, le Centre de recherche CERVO de l’Université Laval a recours… à des réseaux de neurones artificiels. La raison ? Pour arriver à voir ce qu’elle souhaite, Flavie Lavoie-Cardinal, professeure au Département de physique, de génie physique et d’optique, manipule un microscope optique à super résolution très complexe. Les paramètres offrent une infinité de configurations possibles. Et selon ce qu’elle veut déceler, la scientifique doit réaliser des compromis entre l’intensité des lasers, le temps d’acquisition et la taille des pixels. « Avec des cellules vivantes, si on augmentait trop la puissance du laser, on pourrait venir endommager la santé de l’échantillon », donne-t-elle en exemple.

L’idée d’automatiser ce travail de minutie s’est donc imposée. L’objectif est de taille : mieux comprendre les interactions moléculaires à la synapse, zone de contact entre les neurones. « On veut voir comment l’on apprend ou comment l’on se souvient de quelque chose, explique-t-elle. Il y a des connexions qui vont être renforcées dans notre cerveau, puis on suppose que certaines synapses vont devenir plus fortes ou plus efficaces. »

Elle stimule notamment avec des lasers ultraviolets des neurones en culture, afin que ces dernières libèrent des neurotransmetteurs comme le glutamate, associé à l’apprentissage et à la mémoire. Plusieurs protéines interagissent alors avec la synapse à une échelle d’une dizaine de nanomètres.

Afin d’automatiser la calibration du microscope pour bien observer ce qui se produit, elle a collaboré avec Audrey Durand, alors doctorante au Département de génie électrique de l’Université Laval. Les deux chercheuses ont entraîné un réseau de neurones artificiels profonds. Les résultats de cette IA embarquée sur l’appareil ont été publiés en décembre dernier dans la revue scientifique Nature Communications. Le code développé a été rendu accessible dans la foulée pour démocratiser l’utilisation du microscope.

« Quelqu’un qui commence ou qui a une expertise dans un autre domaine et qui voudrait s’en servir ne serait pas capable d’arriver au même résultat, dit Mme Lavoie-Cardinal. Un système d’optimisation avec l’IA viendra énormément l’aider. »

Son recours à l’IA ne s’arrête pas là. Des étudiants qu’elle supervise avec Christian Gagné, professeur au Département de génie électrique et informatique, entraînent actuellement des réseaux de neurones artificiels profonds afin de décortiquer de manière précise, rapide et à grande échelle les images produites. Un coup de main salutaire pour réaliser des analyses quantitatives. « Cela nous a permis de faire des liens qu’on n’aurait pas été capables de faire ou qui nous auraient pris plusieurs années, raconte-t-elle. Par exemple, on a regardé comment l’actine, une protéine neuronale, se réorganise à l’intérieur des neurones en fonction de l’activité cellulaire. On a été capables d’analyser plus de 1000 images en quelques minutes, alors que ça me prenait le même temps pour en analyser une à la main. »

La combinaison de ces percées ouvre la porte à une analyse en temps réel et à une interaction avec les cellules durant l’expérience en fonction de ce qui est remarqué. De quoi nous permettre à terme de mieux comprendre certains troubles neurologiques liés à la mémoire.

Infiniment grand

L’IA pourrait aussi nous éclairer sur ce qui se trouve à des années-lumière d’ici. Dans une conférence de presse commune, Google et la NASA ont annoncé en décembre 2017 la découverte de deux exoplanètes, Kepler-80 g et Kepler-90 i, grâce au recours à l’apprentissage profond. Un ingénieur de Google et un astrophysicien de l’Université du Texas ont entraîné un réseau de neurones artificiels sur 15 000 signaux étiquetés, qui avaient été captés par le télescope Kepler entre 2009 et 2013. Ils ont ainsi appris à la machine à distinguer le signal généré par une exoplanète passant devant son soleil, pour ensuite appliquer le modèle aux données amassées sur 670 étoiles. Ils ont trouvé de cette façon deux planètes qui avaient échappé aux astronomes lors des recherches précédentes sur ces systèmes.

Nicolas Cowan, professeur au Département de physique de l’Université McGill et chercheur à l’Institut de recherche sur les exoplanètes, croit que ces découvertes auraient pu être réalisées sans l’IA, puisque la présence de planètes dans les environs était déjà connue. Ce qui ne l’empêche pas de voir un immense potentiel dans cette technologie pour la chasse aux exoplanètes. Il n’a pas lui-même eu recours à l’IA. « Mais mes étudiants l’utilisent tous », ajoute-t-il.

Elle permet notamment de nettoyer le bruit dans les images fournies par des télescopes spatiaux comme Spitzer et Hubble, utilisés pour caractériser les atmosphères d’exoplanètes, même si ces dernières n’avaient pas encore été découvertes quand ils ont été mis en service. « On s’en sert donc pour quelque chose qui n’était pas dans les plans. »

Ainsi, dans la conception du télescope ARIEL, qui sera consacré à la recherche d’exoplanètes, l’IA est prise en compte. Impliqué dans ce projet piloté par l’Agence spatiale européenne, Nicolas Cowan signale que des compétitions de codage ont été organisées en lien avec cet appareil, qui devrait être lancé dans une dizaine d’années. « L’idée est d’utiliser des méthodes d’IA pour apprendre comment analyser les données qu’on va récolter avec ce télescope. »

Ces appareils génèrent désormais des données en quantité… astronomique. « Parfois, tu ne peux pas les sauvegarder, parce que le volume est trop grand, et tu dois t’en défaire à la fin de la soirée, constate-t-il. L’analyse doit donc nécessairement être faite en temps réel et ne peut pas être réalisée par des humains. »

Avec une caméra de 3200 mégapixels, le Large Synoptic Survey Telescope (LSST), qui sera construit au Chili, promet de générer 15 térabits de données chaque nuit durant dix ans. « Ce sera nécessairement une IA qui va faire le tri de ces données, puis les humains vont seulement s’attaquer aux parties intéressantes. »

Nicolas Cowan ne cache pas son espoir que l’IA puisse aussi nous révéler des phénomènes jamais vus ni anticipés. Il évoque la première détection en 2007 des sursauts radio rapides (fast radio burst), aujourd’hui l’objet d’une foule de discussions et d’hypothèses. « On les aurait probablement trouvés plus vite avec une IA qui aurait exploré toutes les données radio en temps réel et qui aurait recherché n’importe quoi d’étrange. » De quoi anticiper l’observation prochaine d’autres phénomènes inattendus dans les confins du cosmos.