11 astéroïdes dangereux détectés par une intelligence artificielle

Des scientifiques d’une université néerlandaise ont identifié 11 astéroïdes de grande taille susceptibles d’entrer en collision avec la Terre. Ils y sont parvenus en tirant profit d’un réseau de neurones artificiels.

Ce sont plus précisément des astronomes de l’université de Leiden (Pays-Bas) qui ont déterminé onze objets – parmi ceux répertoriés par la NASA – pouvant se rapprocher à moins de dix fois la distance Terre-Lune. Leurs résultats ont été publiés en février dans la revue Astronomy & Astrophysics.

Comment sont-ils arrivés à cette découverte ? Ces scientifiques ont tout d’abord simulé les orbites solaire et planétaires des 10 000 prochaines années puis ils ont rembobiné l’horloge dans le but de déterminer la distribution orbitale actuelle des astéroïdes potentiellement dangereux. La technologie d’Intelligence Artificielle (IA) de la famille du Deep Learning utilisée a été baptisée Hazardous Object Identifier, un système ayant la capacité de reconnaître les astéroïdes géocroiseurs susceptibles de percuter la Planète Bleue.

Il s’agit en l’occurrence d’objets de plus de 100 mètres de diamètre pour certains, pouvant générer une explosion dont la puissance est équivalente à une centaine d’armes nucléaires. Les probabilités de collision demeurent extrêmement limitées, cependant de tels événements pourraient faire disparaître entièrement des métropoles.

“De petites perturbations dans les calculs d’orbite peuvent donner lieu à des changements majeurs dans les conclusions” ajoutent par ailleurs les auteurs de l’étude.

Rassurez-vous, ce n’est pas demain la veille que ces astéroïdes représentent une menace pour la vie humaine. En effet, ils pourraient se rapprocher de la Terre entre 2131 et 2923. Outre-Atlantique, c’est le Centre pour l’étude des objets géocroiseurs de la NASA qui suit la trajectoire de ces roches spatiales.


A&A Volume 634, February 2020, Identifying Earth-impacting asteroids using an artificial neural network, John D. Hefele & Al.
https://doi.org/10.1051/0004-6361/201935983