Colloque

Vers une science des données sûre et optimisée: Le Deep Learning et l'évolution de galaxies à l’aube des grands relevés.

Hubert Bretonniere

Membre a labase

Hubert Bretonniere : University of California Santa Cruz (UCSC)

Résumé de la communication

Le Machine Learning a déjà prouvé son utilité en astrophysique par le passé, notamment pour la classification morphologique des galaxies ou leur détection. Il est maintenant largement utilisé dans un nombre croissant de champs de l’astrophysique (galaxy fitting, séparation de sources, réduction de dimensionnalité, échantillonnage de distributions, prédiction de redshifts photométriques…). Avec l'arrivée de la prochaine génération de télescopes, comme Euclid, Rubin, ou JWST, on entre dans une ère de science orientée vers les données. Les années à venir vont être déterminantes pour l’évolution de notre utilisation de ces techniques. En tant que chercheurs universitaires, nous devons réfléchir à quand et comment utiliser le machine learning pour une utilisation sûre et optimisée. Durant cette présentation, je proposerai quelques réponses possibles au travers de trois projets.D'abord, je montrerai que le deep learning peut être un compromis entre complexité et rapidité, notamment pour affronter la préparation de missions astrophysiques et cosmologiques à l'ère du Big Data. Ensuite, je montrerai comment le deep learning peut réaliser des tâches de réduction de données pour lesquelles le résultat final importe davantage que la méthode employée. Finalement, je montrerai une manière sûre et excitante d'utiliser le Deep Learning : chercher l'inconnu inconnu illustré par la détection d'anomalies morphologiques dans les images JWST.

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.