Approches modernes d'apprentissage automatique pour la caractérisation des blazars et leur association avec les neutrinos dans le cadre des observations multi-messagers

Modern machine learning approaches for blazar characterization and their association with neutrinos in multi-messenger observations

• Auteur / Autrice : Enzo Oukacha
• Direction : Yvonne Becherini
• Type : Thèse de doctorat
• Discipline(s) : Physique de l'univers
• Date : Soutenance le 09/10/2025
• Etablissement(s) : Université Paris Cité
• Ecole(s) doctorale(s) : École doctorale Sciences de la terre et de l'environnement et physique de l'univers (Paris ; 2014-....)
• Partenaire(s) de recherche : Laboratoire : AstroParticule et Cosmologie (Paris ; 2005-....)
• Jury : Président / Présidente : Alessandra Tonazzo
• Jury : Examinateurs / Examinatrices : Deirdre Horan, Tiina Suomijärvi
• Jury : Rapporteurs / Rapporteuses : Gilles Henri, Welf Löwe
• DOI : 10.70675/9c76821fz220fz4702zbf47zb9c0d8b9214d

Mots clés

Mots clés contrôlés

Objets BL Lacertae

Noyaux actifs de galaxies

Neutrinos

Apprentissage automatique

Modèles de fondation

Mots clés libres

Blasars

Fermi-LAT

Neutrinos

IceCube

Machine learning

Deep learning

Foundation models

Blazars

Fermi-LAT

Neutrinos

IceCube

Machine learning

Deep learning

Foundation models

Résumé

Le but principal est de développer un cadre méthodologique robuste et flexible, basé sur les techniques de pointe en apprentissage profond, pour caractériser les blazars, une sous-classe de noyaux actifs de galaxies (AGN) connue pour sa variabilité extrême et son émission non thermique à large bande. Dans ce travail, nous proposons une approche novatrice qui dépasse la simple classification en sous-classes discrètes. En exploitant la puissance représentationnelle des architectures modernes d'apprentissage profond, en particulier des modèles fondamentaux pré-entraînés sur des jeux de données à grande échelle, nous concevons un cadre transférable capable d'accomplir une grande variété de tâches aval pour des blazars bien identifiés. Ces tâches incluent la classification des sources, la régression de paramètres physiques tels que le redshift, ainsi que l'analyse de la variabilité temporelle. Notre méthode permet de capturer la diversité intrinsèque de la population de blazars de manière continue et probabiliste, à partir des représentations latentes internes apprises par le modèle. Cela nous permet d'explorer, de manière guidée par les données, l'hypothèse d'une évolution cosmologique entre les FSRQs et les BL Lacs. Nous approfondissons également la caractérisation de la population de blazars par une analyse dédiée de leur variabilité temporelle, à partir de courbes de lumière obtenues avec Fermipy. Dans cette approche complémentaire, nous utilisons un autre modèle fondamental pré-entraîné sur des séries temporelles, permettant de caractériser les blazars en fonction de leurs profils de variabilité, et d'identifier potentiellement des cas atypiques ' c'est-à-dire des blazars présentant un comportement de variabilité anormal. La seconde partie de cette thèse s'intéresse à l'étude d'une éventuelle corrélation entre les blazars et les neutrinos de haute énergie. Ce travail s'appuie sur la caractérisation probabiliste des blazars développée dans la première partie. Nous explorons si certaines régions de l'espace latent des blazars ' définies par le modèle d'apprentissage profond ' sont plus susceptibles d'être spatialement associées aux neutrinos. Plutôt que de chercher à identifier des sources individuelles, nous adoptons une approche centrée sur l'environnement pour déterminer si certains types de blazars sont statistiquement plus susceptibles de contribuer au flux de neutrinos astrophysiques. Plus précisément, nous employons des modèles d'apprentissage automatique, principalement des techniques de détection d'anomalies, couplés à des méthodes statistiques avancées, afin d'analyser si certaines populations de blazars tendent à se regrouper autour des positions de neutrinos détectés. Enfin, nous menons une analyse complémentaire de l'association spatiale entre neutrinos et sources gamma de très haute énergie (VHE), dans le cadre plus large du programme de suivi en temps réel de H.E.S.S. des alertes de neutrinos de haute énergie émises par IceCube.

The primary goal is to develop a robust and flexible framework based on state-of-the-art deep learning techniques to characterize blazars, a subclass of Active Galactic Nuclei (AGN) known for their extreme variability and broad-band non-thermal emission. In this work, we propose a new approach that moves beyond discrete subclass labeling. Using the representational power of modern deep learning architectures, particularly foundation models pre-trained on large-scale datasets, we develop a transferable framework capable of performing a wide variety of downstream tasks for well-identified blazars. These include source classification, regression of physical parameters such as the redshift, and time-domain variability analysis. Our method captures the intrinsic diversity of the blazar population in a continuous, probabilistic manner, based on internal latent representations learned by the model. This allows us to probe the hypothesis of a cosmological evolution between FSRQs and BL Lacs in a data-driven way. We further characterize the blazar population through a dedicated time-domain variability analysis, using light curves obtained with Fermipy. In this complementary approach, we use another foundation model pre-trained on time series data, allowing for the characterization of blazars based on their variability patterns and the potential identification of outliers, i.e blazars exhibiting atypical variability behavior. The secondary part of this thesis focuses on investigating the possible correlation between blazars and high-energy neutrinos. Our work takes advantage of the probabilistic blazar characterization developed in the first part of this thesis. We investigate whether particular regions in the blazar latent space (i.e blazar populations), as defined by the deep learning model, are more likely to be spatially associated with neutrinos. Rather than identifying individual sources, we take a environment-based approach to explore whether certain blazar types are statistically more likely to contribute to the astrophysical neutrino flux. More specifically we employ machine learning models, primarily anomaly detection techniques, alongside advanced statistical methods to investigate whether specific blazar populations tend to cluster around the positions of detected neutrinos. Finally, we conduct a complementary analysis of the spatial association between neutrinos and very-high-energy (VHE) gamma-ray sources, within the broader framework of the H.E.S.S. real-time follow-up programme of IceCube high-energy neutrino alerts.