Une des étapes importantes du traitement des données brutes en spectroscopie est l’étalonnage en longueur d’onde. Le modèle SCCN, permet d’assister l’astronome dans cette étape avec une IA.
Donner une dimension scientifique à ses données
L’étalonnage en longueur d’onde dans le cadre de la spectroscopie consiste à relier chaque colonne de pixels du profil spectral d’une cible à une longueur d’onde en nanomètre ou en Ångström 1,2. Pour effectuer cette opération, il est nécessaire d’utiliser une lampe d’étalonnage dont on connait précisément la longueur d’onde des raies déjà mesurées en laboratoire. À partir de ces positions, une règle polynomiale permet de définir la loi de dispersion et donc l’axe des abscisses en longueur d’onde.
Lorsqu’elle est effectuée manuellement cette opération peut être une potentielle source d’erreur, mais surtout elle peut être source de confusion pour un astronome débutant qui découvre la spectroscopie. Un des avantages d’une solution automatique est de pouvoir visualiser rapidement les cohérences des données acquises. Cela permet aussi de s’abstraire des aspects plus délicats de la réduction de données lors du démarrage de la pratique.
Les solutions actuelles d’étalonnage automatique, notamment dans le cadre de l’Alpy 600, fonctionnent très bien et sur de nombreuses raies (i.e. Demetra – Shelyak). Ce projet est purement expérimental, l’objectif n’est pas de chercher des alternatives, mais d’étudier les possibilités des technologies d’apprentissage automatique associées au domaine de la spectroscopie amateur.
Étalonnage automatique par Deep Learning
Le principe du modèle SCCN est de détecter automatiquement les raies Néon et Argon de la lampe d’étalonnage pour les spectroscopes Alpy 600 par Intelligence Artificielle.
L’entrainement du modèle se fait donc globalement en lui montrant un jeu de données d’images de spectres NeAr brutes sur lesquelles quelques raies ont été identifiées. L’algorithme va ensuite apprendre à les reconnaitre.
Pour en savoir plus…
Cette IA est basée sur le deep learning, plus précisément en utilisant les réseaux de neurones à convolution avec le modèle de détection d’objet Faster R-CNN 3,4,5. Un autre prototype basé sur le même principe est à l’étude.
Sources et informations complémentaires
Sources
1 Cochard, F. (2016). Guide pratique pour (bien) commencer en spectroscopie astronomique. Edp Sciences – ISBN-13 : 978-2759817849
2 http://www.astrosurf.com/buil/isis/tutorial/calibration_fr.htm
3 https://arxiv.org/abs/1506.01497
4 https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e
5 https://towardsdatascience.com/faster-r-cnn-for-object-detection-a-technical-summary-474c5b857b46