IA et astronomie : comment l’intelligence artificielle explore le ciel
Oui, l’intelligence artificielle est devenue un outil central de l’astronomie : elle trie des milliards de mesures, repère des exoplanètes, classe des galaxies, réduit le bruit des détecteurs d’ondes gravitationnelles et signale en temps réel ce qui change dans le ciel. Elle ne remplace pas les astronomes : il s’agit surtout d’algorithmes d’apprentissage automatique, entraînés sur des données vérifiées, qui servent de filtres et d’assistants face à des volumes de données qu’aucune équipe humaine ne pourrait examiner à la main. Ce guide fait le point, exemples datés et sources à l’appui, sur ce que l’IA a réellement apporté, sur ses limites et sur ce qui arrive dans les prochaines années.
L’IA en astronomie, c’est quoi exactement ?
Dans le langage courant, « intelligence artificielle » évoque souvent les robots conversationnels. En astronomie, le terme recouvre surtout l’apprentissage automatique (machine learning) : au lieu d’écrire à la main toutes les règles permettant de reconnaître, par exemple, une galaxie spirale, on montre à un programme des milliers d’exemples déjà étiquetés et il apprend lui-même à faire la différence. Une fois entraîné, il peut appliquer ce savoir à des millions de nouveaux objets en quelques heures.
Les grandes familles d’IA utilisées par les astronomes
- La classification supervisée : l’algorithme apprend à partir d’exemples dont on connaît la réponse (« vraie planète » ou « faux signal », « spirale » ou « elliptique »). On y trouve les forêts aléatoires et les réseaux de neurones, en particulier les réseaux convolutifs, très efficaces sur les images.
- L’apprentissage non supervisé et la détection d’anomalies : on ne donne pas la réponse ; l’algorithme cherche ce qui sort de l’ordinaire. C’est l’outil idéal pour trouver des objets que personne n’avait prévus.
- L’apprentissage par renforcement : un programme apprend par essais et erreurs à piloter un système, par exemple les miroirs d’un détecteur d’ondes gravitationnelles.
- Les « modèles de fondation » : de très grands réseaux entraînés sur d’énormes jeux de données, puis adaptés à plusieurs tâches. Le modèle solaire Surya de la NASA et d’IBM en est un exemple (voir plus bas).
- Les modèles de langage, cousins de ChatGPT : ils aident à écrire du code ou à parcourir la littérature scientifique, avec des risques d’erreurs dont nous parlons dans la partie sur les limites.
Une précision utile : tout ce que la presse appelle « IA » n’en est pas. Certains outils présentés comme tels sont en réalité des algorithmes classiques, très astucieux mais sans apprentissage. Nous le signalons chaque fois que c’est le cas.
Pourquoi l’IA est devenue indispensable : le déluge de données
La raison principale tient en un mot : le volume. Les instruments actuels produisent bien plus de données que les astronomes ne peuvent en regarder. Quelques ordres de grandeur, tirés des sites officiels des missions :
- Gaia (ESA) : la troisième publication de données, le 13 juin 2022, contenait environ 1,8 milliard de sources pour un volume de 10 téraoctets. La quatrième (DR4), annoncée pour le 2 décembre 2026, couvre 66 mois d’observations, environ 2,8 milliards de sources et près de 400 téraoctets, soit environ quarante fois plus.
- Observatoire Vera-C.-Rubin : une caméra de 3 200 mégapixels, environ 10 téraoctets d’images par nuit et jusqu’à 7 millions d’alertes par nuit, selon le département américain de l’Énergie.
- Euclid (ESA) : environ 100 gigaoctets transmis chaque jour et plus de 1,5 milliard de galaxies attendues en six ans.
- James-Webb (JWST) : jusqu’à 57 gigaoctets de données par jour selon IEEE Spectrum, en fonction du programme d’observation.
- SKA (Square Kilometre Array) : en moyenne 8 térabits par seconde envoyés par les antennes vers les processeurs centraux, deux supercalculateurs de 135 pétaflops chacun et plus de 700 pétaoctets archivés par an.
Pour fixer les idées : un astronome qui examinerait une galaxie d’Euclid par seconde, sans dormir ni s’arrêter, mettrait près de 48 ans à voir les 1,5 milliard de galaxies attendues (calcul indicatif). D’où l’intérêt d’un tri automatique, que les humains contrôlent ensuite.
L’IA a-t-elle découvert des exoplanètes ?
Oui, à plusieurs reprises, mais il faut bien comprendre comment. La plupart des exoplanètes sont repérées par la méthode des transits : quand une planète passe devant son étoile, la lumière de celle-ci baisse très légèrement, de façon régulière. Le télescope spatial Kepler de la NASA a surveillé pendant des années un champ d’étoiles situé entre les constellations du Cygne et de la Lyre, en enregistrant ces minuscules variations. Le problème : de nombreux phénomènes imitent un transit (étoiles doubles, taches stellaires, défauts de l’instrument). Trier les vrais signaux des faux est exactement le genre de tâche où l’apprentissage automatique excelle.
Kepler-90i, la huitième planète trouvée grâce à Google (2017)
Le 14 décembre 2017, la NASA a annoncé la découverte de Kepler-90i grâce à un réseau de neurones mis au point par Christopher Shallue (Google) et Andrew Vanderburg (université du Texas à Austin). Le réseau avait été entraîné sur 15 000 signaux déjà vérifiés du catalogue Kepler ; sur un jeu de test, il distinguait vraies planètes et faux positifs dans 96 % des cas. Appliqué à 670 systèmes connus pour avoir plusieurs planètes, il a repéré des signaux faibles que les méthodes précédentes avaient manqués.
Kepler-90i est une planète rocheuse environ 30 % plus grande que la Terre, qui fait le tour de son étoile en 14,4 jours ; sa température de surface dépasserait 800 °F, soit plus de 420 °C. L’étoile Kepler-90, située à environ 2 545 années-lumière dans la constellation du Dragon, devenait ainsi le premier système connu à égaler notre Système solaire avec huit planètes. La même recherche a mis au jour une sixième planète autour de Kepler-80.
ExoMiner et ses 301 planètes validées (2021)
En novembre 2021, une équipe de la NASA a présenté ExoMiner, un réseau de neurones profond conçu pour imiter la démarche des experts qui examinent les signaux de transit. Selon l’article publié dans The Astrophysical Journal, il a permis de valider 301 nouvelles exoplanètes parmi les candidates des archives Kepler. À précision fixée à 99 %, il retrouvait 93,6 % des planètes du jeu de test, contre 76,3 % pour le meilleur classificateur existant. Ses concepteurs ont insisté sur un point : ExoMiner est conçu pour être explicable, c’est-à-dire capable d’indiquer quels tests ont conduit à accepter ou rejeter un signal.
Nuance importante : « valider » ne veut pas dire « détecter pour la première fois ».
Et avec TESS ?
Le satellite TESS, successeur de Kepler, observe presque tout le ciel, mais ses données sont plus bruitées. Une version adaptée, ExoMiner++, a classé 147 568 signaux de TESS et en a retenu 7 330 comme candidats planétaires probables. Il s’agit d’une prépublication (2025) : ces candidats doivent encore être confirmés par d’autres observations.
Pour situer ces chiffres : le nombre d’exoplanètes confirmées a franchi la barre des 6 000 en septembre 2025 (6 007 selon Scientific American). L’immense majorité n’a donc pas été découverte « par une IA », mais l’apprentissage automatique est désormais un outil de tri courant dans cette recherche.
Classer des milliards de galaxies : de Galaxy Zoo à Euclid
Une galaxie peut être spirale, comme la galaxie d’Andromède (M31), elliptique, irrégulière, barrée, en pleine collision… Sa forme renseigne sur son histoire. Pendant longtemps, ce classement se faisait à l’œil, par quelques spécialistes.
Galaxy Zoo : des bénévoles qui entraînent les machines
En juillet 2007, le projet Galaxy Zoo a proposé au public de classer environ un million de galaxies photographiées par le relevé Sloan. Le succès a dépassé toutes les attentes : plus de 50 millions de classifications la première année, par plus de 150 000 personnes. Ces votes, recoupés entre de nombreux participants, sont devenus une mine d’or pour l’IA : ils servent d’exemples étiquetés pour entraîner des réseaux de neurones, comme l’algorithme Zoobot.
Euclid : l’IA en première ligne
Le télescope spatial Euclid de l’ESA, lancé en juillet 2023, doit cartographier plus de 1,5 milliard de galaxies pour étudier la matière noire et l’énergie noire. Lors de sa première publication de données, le 19 mars 2025, l’ESA a présenté trois « champs profonds » couvrant 63 degrés carrés (environ 300 fois la surface de la pleine Lune), où 26 millions de galaxies ont été repérées en une semaine d’observation.
- L’algorithme Zoobot a produit un premier catalogue détaillant la forme de plus de 380 000 galaxies (bras spiraux, barres centrales, queues de marée).
- Pour l’entraîner, 9 976 bénévoles de Galaxy Zoo ont classé des images d’Euclid pendant une campagne d’un mois.
- Un premier catalogue de 500 candidates lentilles gravitationnelles (une galaxie qui déforme la lumière d’une autre située derrière elle) a été établi, presque toutes inconnues jusque-là. L’ESA en attend environ 7 000 dans la publication prévue fin 2026, et de l’ordre de 100 000 d’ici la fin de la mission.
Ce duo « IA + bénévoles + experts » est devenu la norme : la machine trie, les humains vérifient les cas douteux et corrigent l’algorithme.
Ondes gravitationnelles : l’IA pour mieux « écouter » l’Univers
Les ondes gravitationnelles sont de minuscules déformations de l’espace-temps, produites notamment par la fusion de trous noirs ou d’étoiles à neutrons. Les détecteurs LIGO (États-Unis), Virgo (Italie) et KAGRA (Japon) les mesurent grâce à des lasers et à des miroirs suspendus d’une stabilité extrême. Leur quatrième campagne d’observation (O4), du 24 mai 2023 au 18 novembre 2025, a enregistré environ 250 signaux candidats en temps réel ; le catalogue officiel compte 218 détections confirmées à ce stade, dont 128 issues de la première partie d’O4, les autres données étant encore en cours d’analyse.
Repérer les « glitches »
La difficulté majeure est le bruit : vibrations du sol, irrégularités du laser… Ces parasites, appelés glitches, peuvent masquer ou imiter un vrai signal. Le projet participatif Gravity Spy combine des bénévoles et l’apprentissage automatique : les classements faits par le public servent à entraîner des algorithmes qui reconnaissent automatiquement les différents types de parasites.
Deep Loop Shaping : l’IA qui stabilise les miroirs (2025)
Le 4 septembre 2025, Google DeepMind, LIGO (Caltech) et le Gran Sasso Science Institute ont publié dans Science une méthode appelée Deep Loop Shaping. Fondée sur l’apprentissage par renforcement, elle a été entraînée dans une simulation de LIGO puis testée sur le vrai détecteur de Livingston (Louisiane). Selon DeepMind, elle a réduit le bruit de contrôle de 30 à 100 fois dans la boucle de rétroaction la plus instable du dispositif. Il s’agit encore d’une démonstration : l’extension à l’ensemble des miroirs pourrait, selon les auteurs, permettre de détecter des centaines d’événements supplémentaires par an, mais ce n’est pas encore établi.
Sursauts radio rapides et recherche de vie extraterrestre (SETI)
Des éclairs radio retrouvés dans les archives (2018)
Les sursauts radio rapides (FRB, pour fast radio bursts) sont des éclairs d’ondes radio qui ne durent que quelques millisecondes et dont l’origine reste débattue. En septembre 2018, l’équipe de Breakthrough Listen a annoncé que 72 nouveaux sursauts provenant de la source répétitive FRB 121102, située dans une galaxie à environ 3 milliards d’années-lumière, avaient été trouvés grâce à un réseau de neurones convolutif. Ces sursauts se cachaient dans 400 téraoctets de données du radiotélescope de Green Bank, où une méthode classique n’en avait trouvé que 21.
SETI : huit signaux intrigants, aucun confirmé (2023)
Le 30 janvier 2023, une étude parue dans Nature Astronomy et menée par Peter Ma, alors étudiant à l’université de Toronto, a appliqué un algorithme d’apprentissage profond (un auto-encodeur variationnel) à plus de 480 heures d’observations de 820 étoiles proches, soit 150 téraoctets de données. Le défi principal de la recherche radio de civilisations extraterrestres est le brouillage d’origine humaine (téléphones, satellites, radars). L’algorithme a isolé huit signaux d’intérêt que les analyses précédentes n’avaient pas relevés. Mais les nouvelles observations de ces étoiles n’ont pas permis de les détecter à nouveau : à ce jour, rien ne permet de parler d’un signal extraterrestre.
Cet exemple illustre bien le rôle réel de l’IA : elle réduit une montagne de données à une courte liste de cas à vérifier, et la vérification reste humaine et instrumentale.
L’image du trou noir de M87 affinée par l’IA
En avril 2019, la collaboration Event Horizon Telescope (EHT) a dévoilé la première image d’un trou noir : celui qui trône au centre de la galaxie M87, dans la constellation de la Vierge, à environ 55 millions d’années-lumière, et dont la masse atteint plusieurs milliards de fois celle du Soleil. Cette image a été obtenue en combinant des radiotélescopes répartis sur la planète, ce qui laisse forcément des « trous » dans les données : il faut les reconstruire par le calcul.
En avril 2023, Lia Medeiros (Institute for Advanced Study), Dimitrios Psaltis, Tod Lauer et Feryal Özel ont présenté PRIMO, une technique fondée sur l’apprentissage par dictionnaire, une branche de l’apprentissage automatique. Entraînée sur plus de 30 000 images simulées de trous noirs entourés de gaz, elle a été appliquée aux données de 2017. Résultat, selon Georgia Tech : un anneau environ deux fois plus fin que sur l’image de 2019, ce qui permet de mieux contraindre la masse du trou noir et de tester la relativité générale.
Précaution de lecture : il ne s’agit pas d’une « photo retouchée par IA » au sens grand public, mais d’une reconstruction mathématique contrainte par les mesures réelles. Comme toute reconstruction, elle dépend des hypothèses de départ, ici des simulations utilisées pour l’entraînement. C’est pourquoi les astronomes comparent plusieurs méthodes indépendantes avant d’en tirer des conclusions.
Observatoire Vera-C.-Rubin : des millions d’alertes triées par des « brokers »
Installé au Chili, l’observatoire Vera-C.-Rubin est l’exemple le plus frappant de l’astronomie à l’ère des données massives. Ses premières images, publiées le 23 juin 2025, ont donné le ton : en un peu plus de dix heures d’observations de test, il a découvert 2 104 astéroïdes inconnus, dont sept géocroiseurs (aucun ne menace la Terre). Une vue des nébuleuses Trifide et de la Lagune a été composée à partir de 678 poses.
Le grand relevé LSST a commencé en 2026
Les premières alertes publiques ont été diffusées le 24 février 2026 : environ 800 000 en une nuit, transmises dans le monde entier en deux minutes environ. Le relevé décennal LSST (Legacy Survey of Space and Time) a officiellement démarré le 30 juin 2026. Pendant dix ans, Rubin reviendra environ 800 fois sur chaque région du ciel austral, en prenant une image toutes les 40 secondes environ, et pourra émettre jusqu’à 7 millions d’alertes par nuit.
Une alerte signale qu’un point du ciel a changé : une supernova qui s’allume, un astéroïde qui passe, une étoile variable dont l’éclat fluctue, à l’image de la baisse d’éclat spectaculaire de Bételgeuse qui avait passionné le public en 2019-2020. Aucun humain ne peut lire sept millions de messages par nuit.
Le rôle des « brokers », dont le français Fink
C’est là qu’interviennent les brokers (courtiers d’alertes) : des logiciels qui reçoivent le flux, l’enrichissent, classent chaque alerte et transmettent à chaque équipe ce qui l’intéresse. Sept brokers communautaires ont été retenus par le projet pour recevoir le flux complet : ALeRCE, AMPEL, ANTARES, Babamul, Fink, Lasair et Pitt-Google, comme le rappelle une revue comparative publiée en 2025.
Fink est développé par une collaboration financée par le CNRS/IN2P3. Selon l’article qui le présente (Monthly Notices of the Royal Astronomical Society), il classe les phénomènes transitoires en temps réel grâce à l’apprentissage profond et à l’apprentissage actif, une technique où l’algorithme choisit lui-même les exemples les plus utiles à faire vérifier. Avant Rubin, il a été rodé sur le flux du relevé américain ZTF. Le portail de Fink donne aujourd’hui accès aux données de ZTF et de Rubin.
Astéroïdes et défense planétaire
Repérer un astéroïde, c’est relier entre eux des points lumineux qui se déplacent d’une image à l’autre. Plus on peut le faire avec peu d’observations, plus on en trouve.
HelioLinc3D et 2022 SF289 (2023)
En juillet 2023, l’université de Washington a annoncé que HelioLinc3D, l’algorithme de détection conçu pour Rubin, avait trouvé son premier astéroïde « potentiellement dangereux » dans des données du relevé ATLAS (Hawaï) : 2022 SF289, long d’environ 180 mètres, que les méthodes habituelles avaient manqué. Cette catégorie ne signifie pas qu’une collision est attendue : elle dépend de la taille de l’objet et de la distance minimale à laquelle son orbite peut s’approcher de la Terre. Beaucoup d’articles ont parlé d’« IA » : en réalité, HelioLinc3D est un algorithme de liaison d’observations, pas un réseau de neurones. Son intérêt est de fonctionner avec des observations moins nombreuses et plus espacées que les méthodes actuelles.
Des astéroïdes cachés dans les archives de Hubble
L’apprentissage profond, lui, a bien servi au projet Hubble Asteroid Hunter. Des bénévoles de la plateforme Zooniverse ont repéré des traînées d’astéroïdes sur des images d’archive de Hubble ; leurs étiquettes ont entraîné un modèle (construit avec Google Cloud AutoML Vision) qui a ensuite fouillé toute l’archive. Résultat : 1 701 nouvelles traînées, dont 1 031 ne correspondaient à aucun objet connu du Centre des planètes mineures.
Avec Rubin, l’échelle change : dès ses relevés d’optimisation, l’observatoire a trouvé plus de 11 000 nouveaux astéroïdes, dont 33 objets géocroiseurs et 380 objets transneptuniens, selon le département américain de l’Énergie.
Simulations de l’Univers et matière noire : les « émulateurs »
Pour comprendre la matière noire et l’énergie noire, les cosmologistes comparent le ciel réel à des univers simulés. Ces simulations « à N corps » suivent l’attraction gravitationnelle de millions, voire de milliards de particules : elles sont très coûteuses en temps de calcul, alors qu’il faudrait en produire des milliers pour tester toutes les combinaisons de paramètres cosmologiques.
L’idée des émulateurs est d’entraîner un réseau de neurones sur un ensemble de simulations, puis de lui demander d’en prédire de nouvelles beaucoup plus vite. En 2019, Siyu He et ses collègues ont présenté dans les PNAS le modèle D3M (Deep Density Displacement Model), un réseau de type U-Net entraîné sur 10 000 paires de simulations. Selon l’article, son erreur moyenne sur les déplacements de matière était de 2,8 %, contre 9,3 % pour une méthode d’approximation analytique couramment utilisée (2LPT), et il restait fiable pour des paramètres cosmologiques différents de ceux de l’entraînement.
Ces outils ne remplacent pas les grandes simulations de référence : ils permettent d’explorer rapidement de nombreux scénarios, que l’on vérifie ensuite avec des calculs complets. Ils seront précieux pour exploiter les données d’Euclid et de Rubin.
Météo spatiale : prévoir les éruptions du Soleil
Les éruptions solaires et les tempêtes géomagnétiques peuvent perturber les satellites, les communications et les réseaux électriques. Les prévoir reste difficile. Le 20 août 2025, la NASA et IBM ont présenté Surya, un modèle de fondation entraîné sur neuf ans d’observations du satellite SDO (Solar Dynamics Observatory).
- Selon des résultats préliminaires, il dépasse d’environ 16 % les références existantes pour la prévision des éruptions.
- Il produit des prévisions visuelles d’éruptions jusqu’à deux heures à l’avance.
- Le modèle est en accès libre sur la plateforme Hugging Face, et son code est publié.
La NASA a d’ailleurs corrigé son premier communiqué (qui mentionnait 14 ans de données et 15 % d’amélioration) : un bon rappel que les chiffres évoluent et qu’il vaut mieux se référer aux sources mises à jour.
Tableau récapitulatif : ce que l’IA a apporté à l’astronomie
| Domaine | Ce que fait l’IA | Exemple marquant (année) | Source |
|---|---|---|---|
| Exoplanètes (Kepler) | Repère des transits trop faibles pour les méthodes classiques | Kepler-90i, huitième planète de son système (2017) | NASA |
| Validation d’exoplanètes | Sépare vraies planètes et faux positifs, avec explications | ExoMiner valide 301 planètes (2021) | arXiv / ApJ |
| Exoplanètes (TESS) | Trie des dizaines de milliers de signaux bruités | ExoMiner++ : 7 330 candidats sur 147 568 signaux (2025, prépublication) | arXiv |
| Forme des galaxies | Classe la morphologie à partir d’exemples fournis par des bénévoles | Zoobot décrit plus de 380 000 galaxies d’Euclid (2025) | ESA |
| Lentilles gravitationnelles | Présélectionne les candidates, vérifiées ensuite par des humains | 500 candidates dans les premières données d’Euclid (2025) | ESA |
| Ondes gravitationnelles | Pilote les miroirs par apprentissage par renforcement | Deep Loop Shaping : bruit de contrôle réduit de 30 à 100 fois (2025) | Google DeepMind |
| Bruit des détecteurs | Reconnaît les types de parasites (glitches) | Gravity Spy, bénévoles et algorithmes (projet en cours) | Zooniverse |
| Sursauts radio rapides | Détecte des éclairs radio dans des archives massives | 72 nouveaux sursauts de FRB 121102 (2018) | Breakthrough Listen |
| SETI | Écarte le brouillage humain et isole les signaux atypiques | 8 signaux d’intérêt sur 820 étoiles, non confirmés (2023) | SETI Institute |
| Imagerie des trous noirs | Reconstruit les parties manquantes d’une image interférométrique | PRIMO : anneau de M87* deux fois plus fin (2023) | Georgia Tech |
| Alertes en temps réel | Classe les alertes et repère les anomalies | Fink, broker du CNRS/IN2P3 pour Rubin ; 800 000 alertes dès la première nuit (2026) | arXiv / MNRAS |
| Astéroïdes | Fouille les archives à partir d’exemples annotés par le public | Hubble Asteroid Hunter : 1 701 nouvelles traînées (2022) | arXiv / A&A |
| Cosmologie | Émule des simulations coûteuses de la matière noire | D3M, erreur de 2,8 % contre 9,3 % pour 2LPT (2019) | arXiv / PNAS |
| Météo spatiale | Prévoit les éruptions solaires à partir d’images du Soleil | Surya, environ 16 % de mieux que les références (2025) | NASA |
Limites et risques : peut-on faire confiance à une découverte faite par IA ?
Oui, à condition qu’elle soit vérifiée comme n’importe quel autre résultat scientifique. Les astronomes eux-mêmes sont les premiers à souligner les pièges.
L’effet « boîte noire »
Un réseau de neurones peut donner une bonne réponse sans que l’on sache pourquoi. Pour un résultat scientifique, c’est un problème. D’où les efforts pour rendre les modèles explicables, comme ExoMiner, conçu pour indiquer quels tests diagnostiques ont pesé dans sa décision.
Les biais d’entraînement
Une IA apprend à partir d’exemples connus. Elle risque donc de mal reconnaître ce qu’elle n’a jamais vu : un type d’objet rare, ou des données issues d’un autre instrument. C’est pour cela qu’ExoMiner++ a dû être adapté aux données plus bruitées de TESS, et que les brokers comme Fink ajoutent des modules de détection d’anomalies, conçus précisément pour signaler l’inattendu.
La reproductibilité
Un résultat doit pouvoir être refait par d’autres équipes. Cela suppose de publier le code, les données d’entraînement et les versions des modèles. La tendance va dans ce sens : Surya, par exemple, est diffusé en accès libre avec son code et ses données d’entraînement.
Les « hallucinations » des modèles de langage
Les modèles de langage, de type ChatGPT, servent à écrire du code ou à résumer des articles. Des versions spécialisées existent, comme AstroLLaMA, un modèle de 7 milliards de paramètres affiné sur plus de 300 000 résumés d’articles d’astronomie publiés sur arXiv (2023). Mais ces outils peuvent inventer des faits avec aplomb. Une étude de William Walters et Esther Wilder parue en 2023 dans Scientific Reports a montré que 55 % des références bibliographiques produites par GPT-3.5 et 18 % de celles produites par GPT-4 étaient fabriquées. Les modèles ont progressé depuis, mais la règle reste la même : toute affirmation doit être vérifiée à la source.
La consommation énergétique
Entraîner et faire tourner de grands modèles consomme de l’électricité. Selon l’Agence internationale de l’énergie, les centres de données ont consommé environ 415 TWh en 2024, soit à peu près 1,5 % de l’électricité mondiale, et ce chiffre pourrait dépasser le double, autour de 945 TWh, d’ici 2030, l’IA étant le principal moteur de cette hausse (dépêche AFP). L’astronomie a déjà une empreinte notable : une étude de 2022 parue dans Nature Astronomy estimait celle des infrastructures astronomiques (télescopes et missions spatiales, toutes activités confondues) à environ 20 millions de tonnes de CO2 par an. Le recours croissant au calcul intensif pose donc une vraie question de sobriété.
Un lien indirect : les constellations de satellites
Les constellations de satellites de télécommunication ne sont pas une conséquence de l’IA, mais elles touchent les mêmes observatoires. Plus de 10 000 satellites Starlink étaient en orbite en mars 2026, selon le suivi de l’astrophysicien Jonathan McDowell rapporté par EarthSky. Ironie de la situation : c’est l’apprentissage automatique, associé à des bénévoles, qui a permis de mesurer le problème. Sur 114 607 images de Hubble publiées entre 2002 et 2021, environ 2,7 % contiennent au moins une traînée de satellite (Kruk et al., Nature Astronomy, 2023), une proportion qui augmente avec le temps. L’IA aide à repérer et masquer ces traînées, mais elle ne rend pas l’information perdue.
L’IA pour les astronomes amateurs
Les applications pour identifier le ciel
Des applications comme Stellarium Mobile ou SkySafari permettent de pointer son téléphone vers le ciel pour savoir quelle étoile ou quelle planète on regarde. Contrairement à une idée répandue, elles reposent surtout sur des calculs astronomiques classiques : position GPS, boussole et gyroscope du téléphone, catalogues d’étoiles et équations du mouvement des planètes. C’est précisément ce qui les rend fiables : la position d’un astre se calcule, elle ne se devine pas.
Le traitement des astrophotos
C’est en astrophotographie que l’IA est la plus visible chez les amateurs. Des outils de réduction du bruit, de retrait des gradients de fond de ciel et de déconvolution utilisent désormais des réseaux de neurones. Le logiciel libre GraXpert, par exemple, propose ces trois fonctions et s’intègre au logiciel de traitement Siril, comme le détaille la documentation de Siril. Quelques précautions :
- Conservez toujours vos images brutes et une version traitée sans IA, pour comparer.
- Un débruitage trop fort peut lisser de vrais détails ou faire apparaître des structures qui n’existent pas : modérez l’intensité.
- Si vous partagez une image ou si vous la soumettez à un concours, indiquez les traitements utilisés.
- Pour une mesure scientifique (photométrie d’une étoile variable, astrométrie d’un astéroïde), évitez les traitements qui modifient les valeurs des pixels de façon non contrôlée.
Les sciences participatives : entraîner l’IA depuis chez soi
La plateforme Zooniverse, née de Galaxy Zoo en 2007, a franchi en juin 2026 le cap du milliard de classifications, grâce à plus de 3 millions de bénévoles dans 160 pays, sur plus de 500 projets de recherche. En astronomie, vos clics servent très concrètement à entraîner les algorithmes : c’est ainsi qu’ont été préparés Zoobot pour Euclid, les classificateurs de Gravity Spy et le modèle de Hubble Asteroid Hunter. Aucune compétence particulière n’est requise : un tutoriel accompagne chaque projet.
Et les robots conversationnels ?
Ils peuvent aider à comprendre une notion ou à préparer une soirée d’observation, mais ils se trompent parfois sur des dates, des positions ou des chiffres. Pour savoir ce qui sera visible tel soir depuis chez vous, un logiciel de calcul du ciel restera plus fiable qu’une réponse générée.
Et demain ? ELT, SKA et les prochaines découvertes
- Gaia DR4 : attendue le 2 décembre 2026, avec quarante fois plus de données que la précédente publication. L’IA sera indispensable pour y chercher, par exemple, des planètes géantes ou des étoiles doubles.
- Euclid : sa première grande publication de données, prévue fin 2026, devrait contenir environ 7 000 lentilles gravitationnelles candidates selon l’ESA.
- ELT : l’Extremely Large Telescope de l’ESO, avec son miroir de 39 mètres au Cerro Armazones (Chili), vise une première lumière en mars 2029 et des premières observations scientifiques en décembre 2030, selon le calendrier révisé en 2025.
- SKA : le radiotélescope SKA-Low a livré sa première image le 17 mars 2025, obtenue avec seulement 1 024 des 131 072 antennes prévues (moins de 1 %), où apparaissent environ 85 galaxies brillantes. Avec plus de 700 pétaoctets archivés par an à terme, le traitement automatique sera la règle.
- Ondes gravitationnelles : après une pause pour maintenance et améliorations, la collaboration LIGO-Virgo-KAGRA envisageait une campagne d’observation de six mois à partir de la fin de l’été ou de l’automne 2026.
Quelles découvertes attendre ? Personne ne peut le dire avec certitude, et c’est tout l’intérêt de la détection d’anomalies : les objets les plus intéressants sont souvent ceux que l’on n’avait pas prévus. La tendance est aux modèles de fondation entraînés sur plusieurs instruments, capables d’être réutilisés pour de nombreuses tâches. Mais dans tous les cas, une « découverte par IA » restera une hypothèse tant qu’elle n’aura pas été vérifiée par d’autres observations et validée par des pairs.
Questions fréquentes sur l’IA et l’astronomie
L’IA a-t-elle découvert des planètes ?
Oui. En 2017, un réseau de neurones développé avec Google a permis de découvrir Kepler-90i dans les données du télescope Kepler. En 2021, le programme ExoMiner de la NASA a validé 301 exoplanètes parmi les candidates de Kepler. Ces planètes restent une petite partie des plus de 6 000 exoplanètes confirmées.
Peut-on faire confiance à une découverte faite par IA ?
Oui, si elle est vérifiée. L’IA sert surtout à trier et à proposer des candidats ; les résultats sont ensuite contrôlés par des experts, par d’autres méthodes et souvent par de nouvelles observations, puis publiés après relecture par des pairs. Les huit signaux SETI de 2023, jamais confirmés, montrent pourquoi cette étape est indispensable.
Quelle IA utilisent les astronomes ?
Principalement des méthodes d’apprentissage automatique : forêts aléatoires, réseaux de neurones convolutifs pour les images, auto-encodeurs pour la détection d’anomalies, apprentissage par renforcement pour piloter des instruments et, plus récemment, des modèles de fondation comme Surya. Les modèles de langage servent surtout d’assistants pour le code et la bibliographie.
L’IA va-t-elle remplacer les astronomes ?
Non. Elle automatise des tâches répétitives à très grande échelle, mais la formulation des questions, l’interprétation physique, la vérification et la conception des instruments restent des tâches humaines.
L’IA a-t-elle « photographié » le trou noir ?
Non. L’image du trou noir de M87 publiée en 2019 provient du réseau de radiotélescopes Event Horizon Telescope. En 2023, la méthode PRIMO, fondée sur l’apprentissage automatique, a reconstruit une version plus nette à partir des mêmes données de 2017, avec un anneau environ deux fois plus fin.
ChatGPT est-il fiable pour apprendre l’astronomie ?
Il peut aider à comprendre une notion, mais il peut inventer des chiffres ou des références : une étude de 2023 a montré que 55 % des références produites par GPT-3.5 et 18 % de celles de GPT-4 étaient fabriquées. Vérifiez toujours auprès de sources fiables (agences spatiales, observatoires, publications scientifiques).
Comment participer à la recherche avec l’IA ?
Par les sciences participatives, sur la plateforme Zooniverse. Des projets comme Galaxy Zoo ou Gravity Spy utilisent les classifications des bénévoles pour entraîner des algorithmes. Il suffit d’un ordinateur ou d’un téléphone, et chaque projet propose un court tutoriel.
Du ciel des chercheurs à votre ciel
Toutes ces avancées reposent sur une base commune : la position des astres se calcule avec une grande précision, grâce à des catalogues d’étoiles toujours plus complets et aux lois de la mécanique céleste. Ces mêmes calculs permettent aujourd’hui de reconstituer le ciel tel qu’il était au-dessus d’un lieu précis, à une date passée, sans aucune IA et sans approximation visible à l’œil nu. Vous pouvez le vérifier avec notre carte du ciel gratuite, puis prolonger la découverte avec la liste des 88 constellations, les noms des étoiles et le catalogue Messier, qui recense notamment la galaxie M87 et son trou noir.
Sources
- NASA, « Artificial Intelligence, NASA Data Used to Discover Eighth Planet Circling Distant Star », 14 décembre 2017 : nasa.gov
- Valizadegan et al., « ExoMiner: A Highly Accurate and Explainable Deep Learning Classifier… », The Astrophysical Journal, 2022 : arXiv:2111.10009
- ExoMiner++ sur les données de TESS, prépublication, 2025 : arXiv:2502.09790
- Scientific American, cap des 6 000 exoplanètes confirmées, 19 septembre 2025 : scientificamerican.com
- ESA, première publication de données d’Euclid, 19 mars 2025 : esa.int
- Galaxy Zoo, résultats du projet : zooniverse.org
- ESA, contenu de Gaia DR4 : cosmos.esa.int ; Gaia DR3 : cosmos.esa.int
- Google DeepMind, Deep Loop Shaping et LIGO, 4 septembre 2025 : deepmind.google
- LIGO-Virgo-KAGRA, fin de la quatrième campagne d’observation, novembre 2025 : ligo.org
- Breakthrough Listen, 72 nouveaux sursauts radio rapides, 10 septembre 2018 : breakthroughinitiatives.org
- SETI Institute, recherche de technosignatures par apprentissage profond, 30 janvier 2023 : seti.org ; article : arXiv:2301.12670
- Georgia Tech, image de M87* reconstruite avec PRIMO, 13 avril 2023 : physics.gatech.edu
- AURA, premières images de l’observatoire Rubin, 23 juin 2025 : aura-astronomy.org
- Université de Washington, premières alertes de Rubin, 25 février 2026 : washington.edu
- Département américain de l’Énergie, lancement du relevé LSST, 30 juin 2026 : energy.gov
- Möller et al., « Fink, a new generation of broker for the LSST community », MNRAS, 2021 : arXiv:2009.10185
- Université de Washington, HelioLinc3D et 2022 SF289, 31 juillet 2023 : astro.washington.edu
- He et al., « Learning to predict the cosmological structure formation », PNAS, 2019 : arXiv:1811.06533
- NASA, modèle Surya pour l’héliophysique, 20 août 2025 : science.nasa.gov
- Kruk et al., traînées de satellites dans les images de Hubble, jeu de données associé à Nature Astronomy, 2023 : zenodo.org

✦ Certificat d’étoile personnalisé
Offrez une étoile, scannez-la et retrouvez-la dans le ciel avec votre smartphone
Un certificat personnalisé avec QR code: un scan au smartphone montre l’étoile en 3D, puis sa direction dans le vrai ciel.
- Choisissez une vraie étoile et son nom
- Scannez le QR du certificat, sans application
- Retrouvez-la dans le ciel avec votre smartphone
Dès 8,91 € · PDF à télécharger dès le paiement
Dédicace symbolique dans le registre privé Starry Memory. Selon son éclat et la météo, on la voit à l’œil nu, aux jumelles, ou l’on repère sa direction.
Acheter une étoile et la nommer, le certificat en détail
Plutôt le ciel d’une date et d’un lieu? Créer une carte du ciel · fichier HD 3,99 €