L'année 2025 restera gravée comme un tournant décisif dans l'exploration astronomique. Cette période est caractérisée par la mise en œuvre réussie d'une intelligence artificielle sophistiquée, conçue pour gérer et interpréter les flux de données colossaux générés par les sondages célestes modernes. Cette convergence technologique majeure a provoqué un changement fondamental, permettant de transformer des données d'observation brutes en connaissances scientifiques structurées et inédites, le tout avec une précision jamais atteinte auparavant.
Une illustration éloquente de cette nouvelle capacité a été présentée dans une étude publiée dans la revue Nature Astronomy. Celle-ci décrivait l'utilisation du modèle de langage étendu (LLM) Gemini de Google. Les chercheurs ont employé Gemini pour analyser méticuleusement de vastes archives du ciel nocturne provenant de projets d'observation majeurs, notamment Pan-STARRS, MeerLICHT et ATLAS. La précision de classification démontrée par le modèle fut remarquable : il a atteint 94,1 % d'exactitude sur les données Pan-STARRS, 93,4 % sur les observations MeerLICHT et 91,9 % sur les informations issues d'ATLAS. Ces chiffres soulignent le potentiel immense des cadres d'IA avancés pour maîtriser le déluge de données inhérent aux grandes enquêtes astrophysiques.
De plus, des recherches menées en parallèle ont confirmé que des LLM à usage général, tels que Gemini, peuvent agir comme des assistants experts avec un minimum d'instructions. En utilisant seulement 15 images d'exemple et quelques instructions textuelles, le modèle a réussi à atteindre une précision d'environ 93 % dans la classification des événements astronomiques transitoires, comme les supernovae. Cette facilité d'accès suggère une véritable démocratisation de l'analyse de données complexes, permettant aux chercheurs qui ne possèdent pas une expertise approfondie en programmation d'IA de contribuer de manière significative aux découvertes.
L'intégration de l'intelligence artificielle dans le processus scientifique fut un sujet central lors de l'Atelier International sur l'IA + Astronomie, qui s'est tenu à Hangzhou, en Chine, en octobre 2025. Les débats ont principalement porté sur la manière dont les modèles à grande échelle accélèrent les découvertes dans des domaines variés comme l'analyse spectrale, l'imagerie et l'interprétation des données temporelles. Dans le cadre d'efforts connexes, le SkAI Institute, une entité multi-institutionnelle établie en octobre 2024 grâce à une subvention de 20 millions de dollars, a fait progresser ses travaux en juin 2025. L'objectif est de concevoir des modèles d'IA spécialisés capables de traiter des données astrophysiques multimodales – images, spectres et séries temporelles – à une échelle industrielle. Ces avancées promettent une révolution dans la compréhension astrophysique, notamment en prévision des données futures provenant d'observatoires majeurs comme le Vera C. Rubin Observatory.
Cette nouvelle ère a été magnifiquement illustrée par la réussite de l'étudiant du secondaire Matteo Paz en avril 2025. Sous le mentorat de Davy Kirkpatrick à Caltech, Paz a mis au point un algorithme d'IA qui a réussi à cataloguer 1,5 million d'objets célestes jusqu'alors non identifiés. Le modèle de Paz a passé au crible des données sous-étudiées provenant du télescope infrarouge NEOWISE de la NASA, aujourd'hui retiré du service. Il a détecté de faibles fluctuations infrarouges provenant d'objets variables qui avaient été négligés en raison du volume massif de données. Ce travail novateur, qui a abouti à une publication évaluée par des pairs dans The Astronomical Journal, confirme que l'application ingénieuse des outils disponibles décuple la capacité de réaliser des découvertes fondamentales.