Colloque

Interprétabilité des modèles d'apprentissage automatique en astrophysique : modélisation dynamique des étoiles variables et des amas stellaires

Mario Pasquato

Membre a labase

Mario Pasquato : Université de Montréal

Résumé de la communication

Cette présentation aborde deux aspects de l'interpretabilité en apprentissage automatique (ML) appliquée à l'astronomie. Le premier concerne la modélisation automatique de courbes de lumière stellaires variables (en particulier les RR Lyrae) en termes d'équations différentielles et de méthodes connexes (par exemple, la théorie de Koopman et la décomposition en modes dynamiques - DMD). Cette approche produit des descriptions interprétables de la dynamique stellaire dans un langage bien connu des astronomes, leur permettant de poursuivre des études plus avancées (par exemple, en utilisant des méthodes de systèmes complexes pour étudier les oscillateurs non linéaires ou en utilisant l'analyse topologique des attracteurs). Le deuxième aspect concerne la détection des trous noirs intermédiaires (IMBH) à partir des propriétés des amas stellaires. Nous utilisons des arbres de décision optimaux et interprétables - construits à l'aide de l'algorithme CORELS - pour comprendre pourquoi un classificateur affirme qu'il y a un IMBH dans un amas donné. En outre, le deuxième aspect illustre une difficulté courante en astronomie : la généralisation à des données réelles à partir d'un ensemble de données simulées, qui peut entraîner des problèmes de distribution.

Résumé du colloque

Au cours des dernières décennies, l’astrophysique a révolutionné notre compréhension de l’Univers. Nous savons maintenant que notre Univers est principalement constitué de matière noire et d’énergie noire, responsables respectivement de la formation des galaxies et de l’expansion accélérée de l’Univers. Pour la première fois, des ondes gravitationnelles provenant de la fusion de trous noirs binaires ont été détectées, et les régions les plus internes des trous noirs à proximité ont été imagées. Nous avons cartographié le fond diffus cosmologique, une image de l’Univers datant d’il y a 13,6 milliards d’années, révélant la structure de l’Univers avant la naissance des étoiles et des galaxies. Des milliers de planètes en orbite autour d’étoiles lointaines ont été détectées et, dans certains cas, leurs atmosphères ont été analysées.

Malgré ces percées, de nombreuses questions fondamentales sur l’Univers restent sans réponse. Près d’un siècle après sa découverte, la nature de la matière noire nous reste totalement inconnue. Ainsi, mesurer les propriétés de ces particules mystérieuses est l’une des principales priorités de la cosmologie moderne, car cela pourrait nous en apprendre plus sur la physique fondamentale. L’existence de la matière noire, quant à elle, expose l’incomplétude du modèle standard de la physique des particules. Dans l’Univers plus proche, la réponse à l’une des questions les plus anciennes façonne le domaine : y a-t-il de la vie au-delà de la Terre? La détection de milliers d’exoplanètes a rendu plus que jamais palpable la possibilité d’une réponse à cette question. Ces questions fondamentales, qui visent à éclairer notre compréhension de la physique fondamentale et peut-être de la vie, et les façons tangibles d’y répondre, seront au cœur de la prochaine décennie en astrophysique. Ce colloque constitue un lieu de rencontre pour discuter des problèmes et des méthodologies auxquels les astrophysiciens font face dans leurs domaines respectifs.

Étant une science ancrée dans les données, l’astrophysique et la cosmologie modernes cherchent à collecter et à analyser plus de données que jamais auparavant pour répondre à ces questions clés. Une nouvelle génération de télescopes, d’observatoires et de relevés du ciel est à la veille de transfigurer ce domaine en produisant des volumes colossaux de données d’une qualité sans précédent et inestimable. Malgré les promesses de découvertes, l’analyse de ces données pour y arriver présentera un défi de taille. La précision des analyses est un autre obstacle majeur à l’aube de cette nouvelle ère des grandes données en astrophysique. Ces défis sous-tendent le besoin crucial de développer de nouvelles méthodes de calcul et d’analyse de données en astrophysique et en cosmologie, particulièrement des méthodes basées sur l’apprentissage automatique et l’intelligence artificielle.