Méthodes d'intelligence artificielle appliquées à la radioastronomie de pulsars

Hybrid AI for interference mitigation in SKA data

• Auteur / Autrice : Xiao Zhang
• Direction : Ismael Cognard, Nicolas Dobigeon
• Type : Projet de thèse
• Discipline(s) : Sciences de l'Univers
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : Orléans
• Ecole(s) doctorale(s) : École doctorale Énergie, Matériaux, Sciences de la Terre et de l'Univers (2012-.... ; Centre-Val de Loire)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de physique et chimie de l'environnement et de l'espace (Orléans ; 2012-...)

Mots clés

Mots clés libres

Radioastronomie

Square Kilometer Array (SKA)

Machine learning

Radioastronomy

SKA (Square Kilometer Array)

Apprentissage automatique

Résumé

La chronométrie radio de pulsars à la rotation ultra-stables, utilisée pour tester les théories de la gravitation ou détecter les ondes gravitationnelles très basses fréquences, nécessite un important traitement en temps réel dès la sortie des récepteurs. La chaîne de traitement du nouveau radiotélescope mondial Square Kilometre Array (SKA) ne permettra d'atteindre la sensibilité et la précision recherchée, que si l'on est capable de traiter automatiquement et de manière intelligente, la multitude d'interférences mélangées au signal scientifique, qu'elles soient d'origine interne à l'instrumentation, liées à l'environnement électromagnétique terrestre immédiat ou au passage réguliers d'avions et de satellites au dessus des sites d'observation. Nous proposons de recourir à des méthodes d'apprentissage automatique, notamment profond, permettant de capitaliser sur de larges bases de données déjà expertisées. Les méthodes d'intelligence artificielle hybrides développées permettront d'allier la versatilité et la puissance des méthodes d'apprentissage profond et l'expertise scientifique des thématiciens, régularisant implicitement les solutions obtenues.

Timing of ultra-stable fast rotating radio pulsars, used to test gravitational theories or detect very low frequency gravitational waves, requires significant real-time processing. The new Square Kilometre Array (SKA) global radio telescope will only achieve the desired sensitivity and precision if we are able to automatically and intelligently process the numerous interferences mixed with the scientific signal, coming from an internal origin within the instrumentation, related to the immediate terrestrial electromagnetic environment or from the regular passage of aircraft and satellites over observation sites. We propose to use machine learning methods, especially deep, to capitalize on large databases already in use. The hybrid artificial intelligence methods developed will combine the versatility and power of deep learning methods with the scientific expertise of scientists, implicitly regularizing the solutions obtained.