Developpement et exploitation d'algorithmes d'intelligence artificielle pour analyser les observations de supernovae et préparer le démarrage de Rubin/LSST.

Vingt ans après la découverte de l'accélération de l'expansion de l'univers par des mesures avec les supernovas, la sonde supernovas reste l'un des moyens les plus précis pour mesurer les paramètres de cette période récente de l'histoire de notre univers dominée par ce qu'on appelle l'énergie noire.

L'observatoire Rubin avec le relevé Large Survey of Space and Time (Rubin/LSST) sera mis en service en 2025 et débutera officiellement fin 2025. Il s'agit d'un télescope de 8,4 mètres doté d'une caméra de 3,2 milliards de pixels, la plus puissante jamais construite.

Ce télescope prendra une photo de la moitié du ciel toutes les trois nuits pendant dix ans. Ce sondage permettra de mesurer des milliards de galaxies avec une grande précision et de suivre la variation dans le temps de tous les objets transitoires. Avec de nombreuses autres études astrophysiques, ce sera une machine très puissante pour déterminer les paramètres cosmologiques à l'aide de nombreuses sondes différentes et, en particulier, elle imposera de fortes contraintes sur la nature de l'énergie noire. Le projet LSST vise à découvrir jusqu'à un demi-million de supernovae. Cette amélioration de deux à trois ordres de grandeur statistique par rapport à l'ensemble des données actuelles permettra de tester précisément les paramètres de l'énergie noire, de tester la relativité générale et imposera également de nouvelles contraintes sur l'isotropie de l'univers.

Dans ce stage de Master 2, nous proposons d'analyser les premières images Rubin/LSST en utilisant le logiciel LSST et notre méthode d'apprentissage profond pour l'identification des transitoires/supernovas. Le travail sera préparé et mené en parallèle sur les données HSC/Subaru existantes. En effet, les données HSC ont des caractéristiques très proches de celles que nous attendons de Rubin/LSST.

Le groupe LSST du CPPM est déjà impliqué dans la photométrie de précision pour LSST, avec une implication directe dans la validation des algorithmes au sein de DESC/LSST [1][2][3], et a proposé une nouvelle méthode d'apprentissage profond pour améliorer l'identification photométrique des supernovas [4] et les redshifts photométriques [5].

[1] https://www.lsst.org/content/lsst-science-drivers-reference-design-and-anticipated-data-products

[2] https://arxiv.org/abs/1211.0310

[3] https://www.lsst.org/about/dm

[4] https://arxiv.org/abs/1901.01298

[5] https://arxiv.org/abs/1806.06607

[6] https://arxiv.org/abs/1401.4064