Thèse

Contexte
En 2016, l’annonce de la première détection directe d’ondes gravitationnelles a ouvert une ère où l’univers sera sondé de manière inédite. Parallèlement, le succès de la mission LISA Pathfinder a permis de valider certaines technologies sélectionnées pour le projet LISA (Laser Interferometer Space Antenna). L’année 2024 a commencé avec l’adoption de la mission LISA par l’Agence spatiale européenne (ESA) et la NASA. Cet observatoire spatial des ondes gravitationnelles sans précédent sera composé de trois satellites distants de 2,5 millions de kilomètres et permettra la détection directe d’ondes gravitationnelles à des fréquences indétectables par les interféromètres terrestres. L’ESA prévoit un lancement en 2035.
Parallèlement aux aspects techniques, la mission LISA présente plusieurs défis en matière d’analyse des données qui doivent être relevés pour assurer le succès de la mission. La mission doit prouver qu’avec des simulations, la communauté scientifique sera en mesure d’identifier et de caractériser les signaux d’ondes gravitationnelles détectés. L’analyse des données comporte plusieurs étapes, dont le pipeline d’analyse rapide, dont le rôle est de détecter de nouveaux événements et de caractériser les événements détectés. Le dernier point concerne l’estimation rapide de la position dans le ciel de la source d’émission des ondes gravitationnelles et de leur temps caractéristique, comme le temps de coalescence pour une fusion de trous noirs.
Ces outils d’analyse constituent le pipeline d’analyse à faible latence. Outre son intérêt pour LISA, ce pipeline joue également un rôle essentiel pour permettre l’astronomie multi-messagers, qui consiste à surveiller rapidement les événements détectés par des observations électromagnétiques (observatoires terrestres ou spatiaux, des ondes radio aux rayons gamma).


Projet de doctorat
Le projet de doctorat se concentre sur le développement d’outils de détection et d’identification d’événements pour le pipeline d’alerte à faible latence (LLAP) de LISA. Ce pipeline sera une partie essentielle du flux de travail d’analyse de LISA, fournissant une détection rapide des binaires de trous noirs massifs, ainsi qu’une estimation rapide et précise des localisations du ciel des sources ainsi que du temps de coalescence. Ces informations sont essentielles pour les suivis multi-messager ainsi que pour l’analyse globale des données de LISA.
Alors que des méthodes d’analyse rapide ont été développées pour les interféromètres terrestres, le cas des interféromètres spatiaux tels que LISA reste un domaine à explorer. Un traitement adapté des données devra prendre en compte la façon dont les données sont transmises par paquets, ce qui rendra nécessaire la détection d’événements à partir de données incomplètes. En utilisant des données entachées d’artefacts tels que des glitchs ou des paquets de données manquants, ces méthodes devraient permettre la détection, la discrimination et l’analyse de diverses sources : fusions de trous noirs, EMRI (binaires spirales avec des rapports de masse extrêmes), sursauts et binaires provenant d’objets compacts. Un dernier élément de complexité crucial est la rapidité d’analyse, qui constitue une contrainte forte pour les méthodes à développer.
A cette fin, les problèmes que nous aborderons au cours de cette thèse seront les suivants :
1. L’inférence rapide des paramètres des ondes gravitationnelles, notamment la position du ciel et le temps de coalescence. Deux des principales difficultés résident dans la multimodalité de la distribution de probabilité a posteriori des paramètres cibles et dans les exigences strictes en matière de temps de calcul. À cette fin, nous envisagerons différentes stratégies d’inférence avancées, notamment
(a) L’utilisation d’algorithmes d’échantillonnage basés sur le gradient comme les diffusions de Langevin ou les méthodes de Monte Carlo Hamiltoniennes adaptées au problème des ondes gravitationnelles de LISA,
(b) l’utilisation de méthodes assistées par l’apprentissage automatique pour accélérer l’échantillonnage (par exemple, les normalising flows),
(c) l’utilisation de techniques d’inférence variationnelle.
2. Détection précoce des fusions de trous noirs.
3. La complexité croissante des données LISA, y compris, entre autres, un bruit réaliste, une réponse réaliste de l’instrument, des glitches, des données manquantes et des sources qui se superposent.
4. Le traitement en ligne des paquets de données de 5 minutes avec le cadre d’inférence rapide développé.
Cette thèse sera basée sur l’application de méthodes bayésiennes et statistiques pour l’analyse des données et l’apprentissage automatique. Cependant, un effort sur la partie physique est nécessaire, à la fois pour comprendre les simulations et les différentes formes d’ondes considérées (avec leurs hypothèses sous-jacentes) et pour interpréter les résultats concernant la détectabilité des signaux de fusion de trous noirs dans le contexte de l’analyse rapide des données LISA.