Claude Science dresse la première carte UV complète du ciel

Anthropic affirme que son système Claude Science a produit ce qui manquait jusqu'ici aux astronomes : une carte du ciel entier en lumière ultraviolette. Brice Ménard, astrophysicien à Johns Hopkins, présente le projet sur le site d'Anthropic. L'entreprise en fait un exemple d'IA prenant en charge le travail de données lent et répétitif que les chercheurs ne trouvent souvent jamais le temps de terminer.

Le résultat est intéressant en soi. C'est aussi un bon cas d'étude pour voir quelle place les agents d'IA occupent aujourd'hui dans le travail scientifique.

Pourquoi le ciel ultraviolet n'avait jamais été entièrement cartographié

Les observations dans l'ultraviolet révèlent de la matière que d'autres longueurs d'onde peuvent manquer. En UV, les astronomes voient la poussière éclairée par la lumière des étoiles. Par exemple, les nuages qui entourent les jeunes étoiles et les anneaux laissés par les explosions stellaires.

Le problème, c'est d'obtenir les données. La couche d'ozone terrestre bloque la lumière UV, si bien que les télescopes au sol ne peuvent pas la capter. Chaque mesure doit provenir d'instruments placés dans l'espace, ce qui limite fortement la quantité de données disponibles.

La mission GALEX de la NASA a réalisé le travail le plus complet à ce jour, en couvrant environ les deux tiers du ciel. Elle a laissé de côté les régions brillantes de formation d'étoiles, de sorte que de grandes lacunes subsistaient dans l'image UV du ciel. Avant ce projet, personne ne disposait d'une carte complète.

Comment Claude Science a assemblé la carte

Claude Science coordonne un groupe d'agents d'IA, et le travail a été réparti en trois grandes tâches :

1. Collecter les données. Les agents ont téléchargé des observations issues de plusieurs missions spatiales.
2. Les étalonner. Les données provenant d'instruments différents doivent être ajustées avant de pouvoir être comparées, et les agents se sont chargés de cette étape.
3. Les fusionner. Les jeux de données étalonnés ont été combinés en une seule carte.

Il restait malgré tout des trous là où aucune observation exploitable n'existait. Pour les combler, les agents ont eu recours à l'inpainting. Avec cette technique, un modèle apprend à partir des données disponibles, puis reconstruit ce que les zones manquantes contiennent le plus probablement.

Selon le récit, l'équipe a testé l'efficacité de la méthode. En moyenne, les valeurs prédites s'écartaient des mesures réelles d'environ dix pour cent. Ce chiffre compte. Les parties reconstituées sont des estimations éclairées, pas des observations directes, et quiconque utilise la carte doit garder cette différence à l'esprit.

Une carte pour l'enseignement

L'objectif affiché est modeste. La carte est conçue comme un support pédagogique, pas comme un substitut à des observations dédiées. Ce cadrage correspond à la marge d'erreur : un écart moyen de dix pour cent est raisonnable pour montrer aux étudiants la structure du ciel UV, alors que la recherche de précision aurait toujours besoin de vraies mesures.

Le propos plus général de Ménard compte peut-être davantage que la carte. Il soupçonne que beaucoup de scientifiques ont des projets de ce genre qui dorment dans un tiroir. Ce sont des travaux qui en valent la peine, mais qui demandent tellement de téléchargement, de nettoyage et d'assemblage de données que personne ne s'y attelle. Selon lui, les agents d'IA pourraient désormais rendre une partie de ce travail réalisable.

La tendance derrière le projet

Ce projet s'inscrit dans un mouvement plus large qui consiste à utiliser les modèles de langage comme assistants de recherche. Des initiatives open source comme BootLoops, un harnais qui transforme Claude en outil de laboratoire, vont dans le même sens. Tout comme les projets fondés sur de grandes archives scientifiques publiques, à l'image du modèle de fondation lunaire de la NASA et d'IBM. Chacun cherche à transformer un vaste amas désordonné de données scientifiques en quelque chose d'exploitable pour les chercheurs.

Notre analyse

La carte UV est un résultat modeste, et c'est justement ce qui la rend convaincante. Le projet ne prétend pas à une nouvelle physique. Il montre des agents qui prennent en charge la tuyauterie de données qui freine la vraie recherche : trouver les fichiers, harmoniser les instruments et raccorder les jeux de données. Pour les lecteurs qui suivent les agents d'IA, cela suggère que leur valeur la plus concrète à court terme en science réside dans la résorption des retards accumulés, pas dans le remplacement des scientifiques.

L'écart de dix pour cent rappelle aussi que les données reconstruites comportent une part d'incertitude. À mesure que se multiplieront les jeux de données produits par l'IA, il faudra observer si les équipes communiquent leurs marges d'erreur aussi clairement que celle-ci. Une question connexe est la manière dont elles signaleront les zones reconstruites, afin que les utilisateurs en aval puissent distinguer les estimations des mesures.

Le prochain test sera de voir si des chercheurs extérieurs reprennent la suggestion de Ménard et appliquent des flux de travail d'agents similaires à leurs propres projets en souffrance. Des résultats indépendants de ce type montreraient s'il s'agit d'une méthode reproductible ou d'une vitrine bien choisie.