AI data analysis

Le projet développera de nouveaux algorithmes pour l’exploitation optimale des observations astronomiques et permettre la détection et la caractérisation d’exoplanètes avec une sensibilité inégalée.

Loïc DENIS, Jordan FRECON-DELOIRE, Rémi EMONET, Laboratoire Hubert Curien (UMR CNRS-UJM-IOGS), Université Jean Monnet Saint-Etienne

Olivier FLASSEUR, Ferréol SOULEZ, Maud LANGLOIS, Éric THIEBAUT, Centre de Recherche Astrophysique de Lyon (UMR CNRS-UCBL-ENS Lyon), CNRS

Anne-Marie LAGRANGE, Laboratoire d’Études Spatiales et d’Instrumentation en Astrophysique (UMR CNRS-Obs. Paris PSL-Sorbonne Univ.-Univ. Paris Cité), CNRS

Olivier MICHEL, Florent CHATELAIN, Laboratoire Grenoble Images Parole Signal Automatique (UMR CNRS-Grenoble INP-Univ. Grenoble-Alpes), CNRS

Nelly PUSTELNIK, Julian TACHELLA, Laboratoire de Physique (UMR CNRS-ENS Lyon), CNRS

Hervé LE COROLLER, Laboratoire d’Astrophysique de Marseille (UMR CNRS-Aix Marseille Univ-CNES), CNRS

François ORIEUX, Laboratoire des Signaux et Systèmes (UMR CNRS-CentraleSupélec-Univ Paris Saclay), CNRS

Laurent MUGNIER, Olivier HERSCOVICI-SCHILLER, Cyril PETIT, Département Optique et Techniques Associées, ONERA

David MOUILLET, Xavier BONFILS, Faustine CANTALLOUBE, Mickael BONNEFOY, Julien MILLI, Alexis CARLOTTI, Xavier DELFOSSE, Jean-Philippe BERGER, Institut de Planétologie et d’Astrophysique de Grenoble (UMR CNRS-Univ Grenoble Alpes), Université Grenoble Alpes

Jean-François GIOVANNELLI, Laboratoire Intégration du Matériel au Système (UMR CNRS-Univ Bordeaux, Bordeaux INP), Université de Bordeaux

Hervé CARFANTAN, Institut de Recherche en Astrophysique et Planétologie (UMR CNRS-Univ Toulouse III-CNES), Université Paul Sabatier Toulouse III

André FERRARI, Simon PRUNET, Laboratoire J-L Lagrange (UMR CNRS Obs Côte d’Azur, Univ Côte d’Azur), Observatoire de la Côte d’Azur

Jean PONCE, Julien MAIRAL, Équipes WILLOW (Inria Rocquencourt, ENS Paris, CNRS) et THOTH (Inria Grenoble), Inria

L’intelligence artificielle couplée aux techniques de traitement du signal avancées analysera conjointement des mesures multivariées (spatiales, spectrales, temporelles) en incluant la physique, les modèles instrumentaux, ainsi que la connaissance issue d’archive d’observations passées. Un accent particulier sera mis sur l’estimation automatique des paramètres instrumentaux et des algorithmes, afin d’améliorer la robustesse des traitements, et sur la caractérisation des incertitudes, limites de sensibilité, probabilités de fausse alarme qui sont des informations essentielles pour l’exploitation astrophysique des résultats.


Développer des méthodes pour la détection et la caractérisation d’exoplanètes et de leur environnement

Concevoir de nouveaux algorithmes auto-supervisés pour la détection de sources et la reconstruction d’images. Ces algorithmes doivent contrer les effets du flou instrumental, des fluctuations (notamment dues aux corrections de l’optique adaptative) et du bruit de mesure. Exploiter les techniques d’apprentissage auto-supervisé (c’est-à-dire, sans informations autres que les observations et un modèle instrumental) et les algorithmes déroulés dans des architectures d’IA de type réseaux profonds. Modéliser et apprendre les fluctuations statistiques dans les mesures et les structures de leurs corrélations (spatiales, spectrales, temporelles).


Traitement du signal avancé pour la spectroscopie haute résolution

Détecter des exoplanètes en couplant des observations en imagerie haut contraste et la spectroscopie haute résolution. Mettre au point de nouvelles méthodes pour la détection et la caractérisation d’exoplanètes par spectro-velocimétrie.


Combiner des observations multi-dates et exploiter les archives d’observations

Détecter des exoplanètes en combinant des jeux d’observations multi-dates et l’estimation des paramètres orbitaux. Apprentissage profond basé sur le couplage entre des modèles instrumentaux et de grandes archives d’observations. Apprentissage des fluctuations instrumentales d’après les observations scientifiques.


Fusion multi-instruments et multi-modalité

Fusion d’observations en imagerie haut-contraste et en interférométrie optique.


Université Jean Monnet Saint-Etienne, CNRS, ONERA, Université Grenoble Alpes, Université de Bordeaux, Université Paul Sabatier Toulouse III, Observatoire de la Côte d’Azur, INRIA

Saint-Etienne (Lab. Hubert Curien), Lyon (CRAL, Lab. de Physique), Paris (LESIA, Inria, L2S, ONERA), Grenoble (IPAG, GIPSA-lab, Inria), Marseille (LAM), Bordeaux (IMS), Toulouse (IRAP), Nice (Lagrange).


Des attendus scientifiques

Le projet va doter la communauté des astronomes de méthodes pour mieux traiter les données issues de leurs instruments dédiés à la recherche d’exoplanètes, leur caractérisation et l’analyse de leurs interactions avec leur environnement (disque proto-planétaire, autres exoplanètes). Le code source des algorithmes développés dans le projet sera diffusé librement. L’expertise acquise dans le traitement des données permettra de guider la conception de futures générations d’instruments.


Des impacts sociétaux

Les problèmes de détection, estimation, caractérisation par des méthodes d’intelligence artificielle intégrant des modèles instrumentaux peuvent trouver de nombreux débouchés au-delà de l’astronomie, en particulier en observation de la Terre (imagerie satellitaire pour l’étude de l’environnement), imagerie biomédicale (localisation de marqueurs en microscopie de fluorescence, reconstruction d’images dans le domaine médical, fusion multi-modalité).


Développement de compétences

Une communauté pluri-disciplinaire de 31 chercheurs et enseignants-chercheurs spécialistes de l’astronomie, l’instrumentation, le traitement du signal et de l’image, l’intelligence artificielle, mobilisant en outre 2 Post-doctorants, 7 Doctorants (dont un co-financé par l’ONERA et un co-financé par l’Université de Bordeaux).


Plus de projets