Apprentissage supervisé et par renforcement pour l'optique adaptative extrême appliqué à l’imagerie des exoplanètes

Supervised and reinforcement learning for extreme adaptive optics with application to exoplanet imaging

• Auteur / Autrice : Bartomeu Pou Mulet
• Direction : Damien Gratadour
• Type : Thèse de doctorat
• Discipline(s) : Astronomie et Astrophysique
• Date : Soutenance le 06/10/2025
• Etablissement(s) : Université Paris sciences et lettres en cotutelle avec Universitat politècnica de Catalunya - BarcelonaTech
• Ecole(s) doctorale(s) : École doctorale Astronomie et astrophysique d'Île-de-France (Paris ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d’instrumentation et de recherche en astrophysique (Meudon ; 2025-....)
• Partenaire(s) de recherche : établissement opérateur d'inscription : Observatoire de Paris (1667-....)
• Jury : Président / Présidente : Cecilio Angulo
• Jury : Examinateurs / Examinatrices : Damien Gratadour, Jean-Pierre Véran, Benoît Neichel, Mario Martín, Maud Langlois, Markus Kasper, Eduardo Quiñones
• Jury : Rapporteurs / Rapporteuses : Jean-Pierre Véran, Benoît Neichel
• DOI : 10.70675/bc7c0246z0725z411fza55fzdba3c70e0615

Mots clés

Mots clés contrôlés

Optique adaptative

Apprentissage automatique

Apprentissage par renforcement (intelligence artificielle)

Mots clés libres

Apprentissage automatique

Optique adaptative

Apprentissage par renforcement

Machine learning

Adaptive optics

Reinforcement learning

Résumé

Cette thèse démontre qu'appliquer une combinaison de modèles d'apprentissage profond (AP) dans le domaine de l'optique adaptative (OA), chacun dirigé vers un type d'erreur présent dans l'OA, peut augmenter de manière significative la performance, dotant les télescopes d'une meilleure résolution angulaire. La première partie de cette thèse se concentre sur le développement de modèles d'AP pour atténuer les erreurs spécifiques dans la boucle d'OA. C'est un modèle d'apprentissage par renforcement entraîné en ligne pour réduire l'erreur temporelle (causée par l'évolution atmosphérique et le retard du système de contrôle) et des modèles d'apprentissage supervisés entraînés hors ligne pour corriger les erreurs non linéaires (qui apparaissent en raison des non linéarités d'un capteur spécifique) et le bruit. Chaque chapitre fournit une analyse complète pour interpréter le comportement de ces modèles d'AP et démontre de meilleurs résultats que les méthodes de référence. En conclusion de la première partie, nous montrons l'application de ces méthodes à l'observation directe d'exoplanètes. Dans la seconde partie, nous changeons de focus pour déployer ces méthodes dans des systèmes réels. Pour cela, nous adaptons l'environnement de travail COSMIC pour intégrer des réseaux de neurones et optimisons le temps d’apprentissage et d'inférence avec l'introduction de bibliothèques spécialisées (comme TensorRT) ou en réduisant la précision de la virgule flottante. Dans l’ensemble, l’intégration de modèles d’apprentissage profond, chacun ciblant différentes sources d’erreurs dans la boucle d’optique adaptative, combiné à un fonctionnement en temps réel, permet des avancées vers l’optique adaptative extrême, avec des perspectives prometteuses pour l’imagerie à haut contraste et la détection directe d’exoplanètes.

This thesis demonstrates that applying a combination of deep learning (DL) models in adaptive optics (AO), each addressing an AO error source, can significantly increase performance, providing telescopes with better angular resolution. The first part focuses on developing DL models to mitigate specific errors within the AO loop. These include a reinforcement learning (RL) model trained online to reduce temporal error (caused by atmospheric evolution and control system delay), and supervised learning (SL) models trained offline to address non-linear error (arising from sensor non-linearities) and noise. Each chapter provides an in-depth analysis to interpret the behaviour of these DL models and demonstrates improvements over selected baselines. As a conclusion to the first part, the application of exoplanet imaging from some of the models is shown. In the second part, the focus shifts to deploying these methods in real systems. To this end, the real-time framework COSMIC is adapted to support neural networks, and both the inference and training of the models are optimised using specialised libraries (e.g., TensorRT) or reduced floating-point precision. Overall, integrating deep learning models, each focused on different error sources in the adaptive optics loop, together with real-time implementation, enables progress towards extreme adaptive optics, with promising implications for high-contrast imaging and direct exoplanet detection.