Modélisation sans catalogue des types de galaxies dans les relevés profonds : compression extrême d'images par réseaux de neurones

Catalog-free modeling of galaxy types in deep survey images : massive dimensional reduction with neural networks

• Auteur / Autrice : Florian Livet
• Direction : Valérie de Lapparent, Damien Le Borgne
• Type : Thèse de doctorat
• Discipline(s) : Astrophysique
• Date : Soutenance le 28/09/2021
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Astronomie et astrophysique d'Île-de-France (Meudon, Hauts-de-Seine ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : Institut d'astrophysique de Paris (1936-....)
• Jury : Président / Présidente : Benjamin Wandelt
• Jury : Examinateurs / Examinatrices : Micol Bolzonella, Marc Huertas-Company
• Jury : Rapporteurs / Rapporteuses : Brice Ménard, Laurence Tresse

Mots clés

Mots clés contrôlés

Canada-France-Hawaii Telescope (CFHT)

Statistique bayésienne

Bulbes galactiques

Galaxies spirales

Galaxies elliptiques

Galaxies -- Évolution

Mots clés libres

Évolution des galaxies

Modèle

Réseau de neurones

Statistiques Bayésiennes

Galaxy bulbe et disque

Distribution d'énergie spectrale

Galaxies evolution modeling

Machine learning

Bayesian statistics

Résumé

Etudier l'évolution des galaxies c'est comprendre comment chaque type morphologique a évolué et qu'elles sont les transformations possibles entre les différentes populations : elliptiques, spirales, irrégulière... Avec l'approche classique de modélisation inverse, des catalogues photométriques de galaxies sont extraits depuis les images afin de modéliser l'évolution avec le redshift des flux, des couleurs et des tailles des galaxies. Les flux apparents sont convertis en flux absolus en utilisant les distances, et la distribution de ces flux est caractérisée par des ``fonctions de luminosité''. Cependant, ces dernières sont sujettes à de nombreux effets d'incomplétudes qui peuvent biaiser les résultats. Pour éviter cela, dans cette thèse, nous utilisons une approche de modélisation directe : le modèle crée des images multibandes de champs profonds qui reproduisent les caractéristiques instrumentales et observationnelles du champ D1 d'un degré carré du Canada-France-Hawaii Telescope Legacy Survey (CFHTLS). Les images simulées peuvent donc être comparées directement aux observations car elles contiennent les mêmes effets de sélection. Ce travail décrit une nouvelle méthode de compression extrême d'images par réseaux de neurones qui permet de se passer de l'extraction de catalogues photométriques ainsi que des effets d'incomplétudes et des corrections à y apporter. L'information contenue dans la fonction de luminosité étant beaucoup trop complexe à décrire analytiquement, nous combinons ici la compression extrême des données avec des techniques de statistiques Bayésiennes pour inférer depuis les observations les valeurs des paramètres du modèle les plus probables.

Studying galaxy evolution is understanding how each morphological type has evolved and what are the possible transformations between the different populations: ellipticals, spirals, irregulars... In the classic inverse modeling approach, photometric catalogs of galaxies are extracted from the images and are used to model the joint evolution with redshift of the fluxes, colors and sizes of galaxies. Apparent fluxes are converted into absolute fluxes using estimates of distances, and the distribution of the absolute fluxes of galaxies is characterized using what is called ``luminosity functions''. However, they are subject to a variety of incompleteness effects which are likely to bias the results. In order to circumvent these issues, in this thesis, we use the forward modeling approach: the forward model creates realistic multiband deep field images that reproduce both the instrumental and observational characteristics of the one squared degree Canada-France-Hawaii Telescope Legacy Survey (CFHTLS) D1 deep field. Therefore, the simulated multiband deep field images face the same selection effects as those of the observed survey and this allows for a direct comparison of the two in the “observable space”. This work describes a novel method of massive data compression using neural networks which completely bypasses the catalog stage, along with correcting for all the biases induced by source extraction and photometry. Because the luminosity function information is so complex to describe analytically, we combine massive compression with approximate Bayesian computation techniques in order to infer from the observation the most probable parameter values of our forward model.