Apprentissage automatique symbolique pour la physique et l'astrophysique

Symbolic machine learning for physics and astrophysics

• Auteur / Autrice : Wassim Tenachi
• Direction : Rodrigo Ibata
• Type : Thèse de doctorat
• Discipline(s) : Astrophysique
• Date : Soutenance le 16/09/2024
• Etablissement(s) : Strasbourg
• Ecole(s) doctorale(s) : École doctorale Physique et chimie-physique (Strasbourg ; 1994-....)
• Partenaire(s) de recherche : Laboratoire : Observatoire astronomique de Strasbourg
• Jury : Président / Présidente : Ariane Lançon
• Jury : Examinateurs / Examinatrices : Stéphane d' Ascoli, Gregory Green
• Jury : Rapporteur / Rapporteuse : Lina Necib, Yuan-Sen Ting

Mots clés

Mots clés contrôlés

Apprentissage profond

Matière noire (astronomie)

Informatique

Astrophysique

Mots clés libres

Apprentissage automatique symbolique

Apprentissage profond par renforcement

Régression symbolique

Matière noire

Courants stellaires

Voie Lactée

Symbolic machine learning

Deep reinforcement learning

Symbolic regression

Dark matter

Stellar streams

Milky Way

Résumé

Nous explorons le potentiel novateur de l'apprentissage automatique symbolique dans les domaines de la physique et de l'astrophysique, afin de surmonter les limites d'interprétabilité des méthodes traditionnelles dans cette ère caractérisée par une profusion de données. Nous présentons PhySO, un paradigme d'Optimisation Symbolique Physique qui exploite l'apprentissage profond par renforcement pour générer des expressions symboliques analytiques directement à partir de données. Cette approche de régression symbolique (SR) atteint des performances de premier plan en intégrant l'analyse dimensionnelle et en facilitant l'exploitation de diverses réalisations d'une unique classe de phénomènes : une approche que nous nommons Class SR. Nous nous penchons sur les enjeux liés à la matière noire à l'échelle galactique et identifions plusieurs nouveaux courants stellaires grâce aux données du satellite Gaia, complétées par des observations de suivi effectuées avec les télescopes INT et VLT. Nous mettons en lumière l'existence d'un courant polaire émanant du halo externe traversant le voisinage solaire, que nous baptisons Typhon. Enfin, nous proposons une approche pionnière d'apprentissage non supervisé pour déterminer de manière agnostique la distribution de la matière noire dans la Voie Lactée, à partir d'un cliché des coordonnées stellaires en employant des transformations canoniques.

We explore the transformative potential of symbolic machine learning in physics and astrophysics, seeking to overcome the interpretability challenges of traditional methods in the era of data abundance. We introduce PhySO, a Physical Symbolic Optimization framework that relies on deep reinforcement learning to extract analytical symbolic expressions directly from data. This symbolic regression (SR) framework achieves state-of-the-art performance by integrating physical dimensional analysis and enabling the exploitation of diverse realizations of a singular class of phenomena — an approach we dub Class SR. Focusing on the dark matter challenges at the galactic scale, we uncover several new stellar streams from Gaia satellite data and perform follow-up observations using the INT and VLT telescopes. Notably, we discover a polar stream from the outer halo passing through the Solar neighborhood, which we dub Typhon. Finally, we propose a first observation-driven, unsupervised learning approach to agnostically constrain the dark matter distribution of the Milky Way from a snapshot of stellar coordinates using canonical transformations.