Apprentissage profond pour les grands programmes d'imagerie – DEEPDIP

DEEPDIP : Apprentissage profond pour les grands programmes d'imagerie

Dans les futurs grands relevés comme LSST ou Euclid, des mesures de redshift photométrique de grande précision et la classification des courbes de lumière vont jouer un rôle central. Nous proposons de revisiter les méthodes actuelles utilisee pour analyser ces donnees en developpant des techniques d’apprentissage profond qui utiliseront directement les images multi-bande au niveau du pixel pour mesurer un redshift ou faire une classification.

Améliorer la précision de l'analyse comologique en exploitant la puissance statistique des relevés photométriques

Comprendre l'origine de l'expansion accélérée de l'Univers, la formation de la structure à grande échelle et des galaxies qui y sont intégrées sont les quêtes de la cosmologie moderne. D'énormes efforts observationnels et théoriques sont déployés pour aborder ces questions fondamentales. Dans cette proposition, nous nous concentrons sur deux sondes observationnelles majeures : l'expansion de l'univers à travers le diagramme de Hubble des supernovae de type IA et la croissance des structures cosmiques. Pour la première, un défi est d'identifier et de classer les signatures de SNIa parmi un nombre énorme de séries chronologiques d'observations ; un autre défi, partagé par la seconde sonde, est d'obtenir des redshifts fiables pour le plus grand nombre possible de galaxies. Notre objectif est de relever ces deux défis en exploitant la puissance statistique des relevés photométriques, ce qui permettra d'utiliser et d'améliorer l'approche spectroscopique, qui nécessite un temps prohibitif.