Analyse d'image cherenkov à l'aide de l'apprentissage profond multitâche à partir des données d'un seul télescope

Cherenkov image analysis with deep multi-task learning from single-telescope data

• Auteur / Autrice : Mikaël Jacquemont
• Direction : Patrick Lambert, Gilles Christian Georges Maurin, Alexandre Benoît, Thomas Vuillaume
• Type : Thèse de doctorat
• Discipline(s) : STIC Informatique
• Date : Soutenance le 26/11/2020
• Etablissement(s) : Chambéry
• Ecole(s) doctorale(s) : École doctorale sciences et ingénierie des systèmes, de l'environnement et des organisations (Chambéry ; 2007-2021)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique, systèmes, traitement de l'information et de la connaissance (Annecy) - Laboratoire d'Annecy-le-Vieux de physique des particules
• Jury : Président / Présidente : Mathieu de Naurois
• Jury : Examinateurs / Examinatrices : Jenny Benois Pineau
• Jury : Rapporteurs / Rapporteuses : Abelardo Moralejo Olaizola, Georges Quénot

Mots clés

Mots clés contrôlés

Réseaux neuronaux (informatique)

Astronomie gamma

Mots clés libres

Réseau de neurones profond

Apprentissage multitâche

Convolution indexée

Astronomie gamma

Deep neural networks

Multi-Task learning

Indexed convolution

Gamma astronomy

Résumé

L'astronomie gamma consiste en l'observation des photons les plus énergétiques produits par les phénomènes astrophysiques violents. Leur étude permet de mieux comprendre les lois qui, notamment, gouvernent la création des étoiles et l'évolution des galaxies. Elle permet aussi d'explorer une nouvelle physique. Les télescopes Cherenkov situés sur Terre détectent indirectement les rayons gamma grâce à la gerbe électromagnétique qu'ils génèrent en pénétrant l'atmosphère. L'analyse du rayonnement gamma consiste en sa séparation du bruit de fond, les rayons cosmiques, et la reconstruction de son énergie et de sa direction incidente. Cette analyse est complexe, car les rayons cosmiques peuvent produire des images très similaires à celles des gammas et le rapport signal sur bruit est typiquement inférieur à 1/1000.Le Cherenkov Telescope Array (CTA) constitue la nouvelle génération d'observatoire de l'univers à très haute énergie. Composé de plus de 100 télescopes répartis sur 2 sites, CTA aura une sensibilité 10 fois meilleure que les observatoires actuels tout en améliorant la précision de la reconstruction. En contrepartie, une fois achevé CTA produira une énorme quantité de données (210 Po/an) devant être analysées en temps réel. De plus, toutes les données acquises seront retraitées chaque année afin de bénéficier des améliorations de l'analyse. CTA met à mal les méthodes standard, trop lentes ou manquant de sensibilité à basse énergie. Il est donc nécessaire d'explorer d'autres pistes. S'appuyant sur les récentes avancées des réseaux de neurones artificiels, cette thèse propose une nouvelle approche deep learning pour analyser les données de CTA, en particulier celles du Large-Sized Telescope 1 (LST1), prototype installé sur site.La première contribution de cette thèse est une méthode rendant possible l'application des algorithmes de deep learning aux images ayant des organisations de pixels quelconques. Celle-ci fournit les opérateurs convolution et pooling, déterminants dans les succès des réseaux de neurones. Cette méthode respecte le voisinage réel des pixels, permet d'éviter un prétraitement et une augmentation artificielle de la taille des images. Son intérêt par rapport aux méthodes classiques de ré-échantillonnage est démontré pour les images à pixels hexagonaux du LST1. La deuxième et principale contribution est une architecture multitâche, γ-PhysNet, inspirée de la physique qui réalise la reconstruction complète des évènements gamma. Celle-ci bénéficie d'un mécanisme d'attention la rendant plus robuste aux conditions d'initialisation. Sur les données de simulation utilisées pour préparer les algorithmes d'analyse, γ-PhysNet obtient des résultats significativement meilleurs, tant en sensibilité qu'en résolution spatiale, que la méthode standard combinant une extraction des paramètres Hillas et une analyse multivariée de type Random Forest. Le gain de sensibilité à basse énergie pourrait permettre d'améliorer l'étude des phénomènes transitoires. γ-PhysNet est également 800 fois plus rapide que la méthode la plus performante. Par ailleurs, cette thèse présente une analyse préliminaire du réseau proposé à l'aide d'une méthode d'explicabilité visuelle afin de mieux comprendre son comportement. Enfin, les premières données d'observation du "Crabe" prise par le LST1, qui est encore en phase de mise en service, sont analysées avec γ-PhysNet. Cette analyse très préliminaire met en évidence le besoin d'une meilleure adaptation aux données réelles. Enfin, la dernière contribution est un ensemble d'outils facilitant l'utilisation du deep learning avec les données de CTA et assurant la robustesse et la reproductibilité des résultats.

Gamma-ray astronomy is the astronomical observation of the most energetic photons produced by violent astrophysical phenomena. Their study allows understanding better the physics ruling the birth of stars or the evolution of the galaxies. It also allows exploring a new physics. Ground-based Cherenkov telescopes detect indirectly gamma rays via the particle shower they generate when entering the atmosphere. The purpose of the image analysis is to estimate the energy and direction of the primary particle and to separate the gamma rays from the cosmic ray background. This step is complex because cosmic rays can generate very similar images and the signal-to-noise ratio is typically lower than 1/1000.The Cherenkov Telescope Array (CTA) is the next generation of very high-energy universe observatories. Composed of more than 100 telescopes distributed on 2 sites, CTA will enhance the sensitivity by a factor of 10 compared to the current observatories, while improving the accuracy of the reconstruction. As a counterpart, once built, CTA will generate a tremendous amount of data (210 PB / year) to be analyzed. Moreover, all the data will be reprocessed yearly to benefit from the improvement of analysis models. Due to these properties of CTA, standard analysis methods either are too slow or lack sensitivity at low energies. We need then to explore other methods. Following the recent advances of artificial neural networks, this thesis proposes a new deep learning approach to analyze CTA data, especially the data from the Large-Sized Telescope 1 (LST1), the first on-site prototype built.The first contribution of this thesis is an original method to apply the deep learning techniques to any kind of pixel organization. It provides convolution and pooling operators, that were crucial for neural networks successes. This method respects the real neighborhood of the pixels, and avoids preprocessing and image size increase. This work demonstrates its interest over standard resampling methods for the hexagonal pixel images of the LST1. The second and main contribution of this thesis is a physically inspired deep multi-task architecture, γ-PhysNet, to perform full event reconstruction. It benefits from an attention mechanism enhancing its robustness to initialization conditions. Its evaluation on the simulated data used to prepare analysis algorithms shows that γ-PhysNet has a significantly better sensitivity and spatial resolution than a standard method relying on the Hillas parameter extraction and a multivariate method, such as the Random Forest. In particular, it achieves very interesting sensitivity below 200,GeV, and could enhance the study of transient phenomena. γ-PhysNet is also 800 times faster than the state-of-the-art method. Besides, using a visual explanation method, this thesis presents a preliminary analysis of the model proposed to understand better its behavior. Finally, the first observation data from the "Crab" produced by the LST1, still in commissioning phase, are analyzed with γ-PhysNet. This very preliminary analysis highlights the need for a better adaptation to real data. Finally, the last contribution is a framework to ease the deep learning procedure with CTA data, and to ensure the traceability and reproducibility of the experiments.