Analyse de données astronomiques massives avec de l'apprentissage machine – AstroDeep

Les relevés astronomiques prévus pour les années à venir produiront des données qui présenteront des défis d'analyse non seulement en raison de leur échelle (plusieurs centaines de pétaoctets), mais aussi en raison de la complexité des mesures sur des images très profondes (par exemple la mesure des couleurs ou des formes à une fraction de pourcent sur des objets superposés). Les techniques d'apprentissage machine semblent très prometteuses : une fois entraînées, elles sont très rapides et excellent dans l'extraction de caractéristiques des images. Les résultats préliminaires sur l'utilisation d'auto-encodeurs variationnels modifiés comme séparateurs d'objets sont très encourageants. Notre objectif est de développer des techniques d'apprentissage machine qui peuvent être appliquées directement sur des images individuelles multibandes et multi-instruments pour relever les principaux défis de mesure sans passer par les méthodes traditionnelles d'empilement d'images, de séparation explicite d'objets, de génération de catalogues, qui perdent des informations à chaque étape. Nous ciblerons comme objectifs principaux la mesure des lentilles gravitationnelles faibles (à travers la mesure directe de la forme moyenne locale d'objets), et des décalages vers le rouge photométriques (en produisant une probabilité p(z) bayésienne pour chaque objet d'un mélange); nous développerons afin d'atteindre ce but des techniques de séparation d'objet ("deblending") et utiliserons et améliorerons des techniques d'apprentissage profond bayesien, qui nous permettront de gérer de manière fine et cohérente les erreurs de mesure et leur impact sur les paramètres mesurés. Ces techniques permettront de tirer parti des capacités d'observation de futurs projets tels que LSST, Euclid et WFIRST, et permettront une analyse conjointe de leurs données.