Institut de recherche sur les lois fondamentales de l'Univers

Les problèmes de démélange aveugle et semi-aveugle sont des problèmes inverses classiques et omniprésents dans un très large éventail de domaines scientifiques allant du traitement du son, du traitement du signal médical à la télédétection ou à l'astrophysique. Dans ces domaines, le développement rapide de capteurs multispectraux haute résolution/haute sensibilité impose le développement d'outils d'analyse dédiés. Pour ce type de données, les observations peuvent être modélisées comme la combinaison linéaire ou non linéaire de diverses composantes physiques élémentaires, qui doivent être récupérées par l'astrophysicien. Cependant, les méthodes de l'état de l'art souffrent de deux goulots d'étranglement majeurs lorsqu'elles sont confrontées aux applications du monde réel : i) la capacité de récupérer des solutions physiquement interprétables, ii) leur coût de calcul élevé, qui limite largement leur applicabilité. À cette fin, l'objectif de ce travail est d'étudier de nouvelles approches, basées sur l'apprentissage automatique, pour aborder le problème du démélange aveugle et semi-aveugle (lorsque l'on n'a accès à aucune ou seulement à une connaissance partielle des composants à restaurer). Plus précisément, nous avons introduit un nouvel algorithme basé sur des techniques de déroulage pour aborder le démélange supervisé. Nous avons montré que les techniques de déroulage permettent de prendre en compte des informations d'ordre physique pour démélanger les données, ce qui conduit à des solutions plus pertinentes d'un point de vue physique à un coût de calcul très faible. L'objectif est ensuite de généraliser ces travaux antérieurs aux cas plus difficiles de l'aveugle/semi-aveugle, ce qui nécessitera de revoir l'architecture du modèle ainsi que son optimisation. Les résultats seront testés et validés avec des données astrophysiques de rayons X (par exemple Chandra) ainsi que des simulations d'ondes gravitationnelles en préparation de LISA.

L’observatoire spatial LISA, dont le lancement est prévu en 2035 ; sera constitué de trois satellites éloignés de 2.5 millions de kilomètres et permettra la détection directe d’ondes gravitationnelles indétectables par les interféromètres terrestres, ouvrant une nouvelle fenêtre d’observations en astrophysique. Afin de maximiser le potentiel scientifique d’une telle mission, l’analyse des données fera intervenir différentes étapes dont l’une des premières est le « pipeline » d’analyse rapide, dont le rôle est la détection de nouveaux évènements, ainsi que la caractérisation d’évènements. Au-delà de l’intérêt pour LISA, ce pipeline d’analyse à faible latence joue un rôle primordial pour le suivi rapide des évènements détectés par des observations électromagnétiques (observatoires au sol ou spatiaux, des ondes radios au rayons Gamma). Si des méthodes d’analyse rapides ont été développées pour les interféromètres au sol, le cas des interféromètres spatiaux tel que LISA reste un champ à explorer. Ainsi, un traitement adapté des données devra prendre en compte le mode de transmission des données par paquet, nécessitant ainsi la détection d’évènements à partir de données incomplètes, entachées d’artefacts. Ces méthodes devront permettre la détection et la caractérisation d’évènements aussi divers que la fusion de trous noirs, les EMRI (binaires spiralantes de rapport de masses extrême), bursts et binaires d’objects compacts. Tout ceci devant opérer en quasi-temps réel. A cette fin, cette thèse aura pour objectif d’une part la généralisation des méthodes classiques, fondées sur le matched filtering, à l'analyse des données LISA et d’autre part au développement d’une nouvelle approche fondée sur l'apprentissage automatique pour la détection et la caractérisation précoce des fusions de trous noirs. Ces méthodes se feront dans le cadre du consortium LISA et contribueront au développement d’un pipeline d’analyse rapide en France.