Intelligence artificielle appliquée à la détermination des radiolaires fossiles ; implications taxonomiques, biostratigraphiques et évolutives

Abstract

La micropaléontologie ne consiste pas seulement à étudier les organismes eux-mêmes, mais plutôt à comprendre les environnements passés de la Terre, avec des applications allant de la biostratigraphie à la paléoocéanographie, en passant par la capacité d'étudier les changements évolutifs au sein des morphoespèces dans le temps et dans l'espace. Ce domaine est confronté à de nombreux défis, car l'analyse des microfossiles nécessite un effort humain important et une expertise taxonomique, conduisant souvent à des incohérences dans les interprétations. Ce travail se concentre sur l'application de l'utilisation de l'intelligence artificielle (IA), telle que les réseaux de neurones artificiels (ANN), pour la reconnaissance automatique d'images de radiolaires de l'Éocène moyen de l'Atlantique tropical. De grands ensembles de données ont été construits afin de former différents réseaux de neurones et nos résultats montrent que les réseaux de neurones peuvent automatiquement classer plusieurs classes différentes de radiolaires jusqu'au niveau de l'espèce, ainsi que dans de nombreux cas, être capables d'identifier des espèces étroitement apparentées et même morphotypes de transition évolutive. Il a également pu identifier correctement les radiolaires moins brisés ou flous. Il a également été appliqué avec succès à la reconnaissance automatique d’images pour un travail biostratigraphique, qui pouvait en général détecter des âges plus généraux ou des événements biologiques très précis. Ce travail inclut l'utilisation des approches classiques de réseaux de neurones pour analyser le contexte visuel, telles que les réseaux de neurones convolutifs (CNN), mais comprend également l'utilisation de réseaux de neurones à pointes (SNN), qui ne sont pas aussi couramment utilisés pour la reconnaissance automatique d'images que les CNN. Les SNN ont permis d'obtenir une précision presque égale ou égale à celle des CNN, simplement que leur utilisation est plus efficace en termes de calcul et prend moins de mémoire. Il y a également eu quelques comparaisons utilisant l'analyse morphométrique traditionnelle telle que l'analyse de discrimination linéaire (LDA), donnant à peu près le même type d'interprétations. Nos recherches visent non seulement à simplifier et à accélérer le processus d'analyse, mais contribuent également à accroître la précision et la cohérence des interprétations micropaléontologiques, qui, à terme, contribueront aux études à haute résolution afin de comprendre l'histoire passée de la Terre.