Nouvelles techniques d’apprentissage automatique pour répondre au volume et à la complexité des données du relevé Rubin LSST:séparation d’images de galaxies superposées et classification dans les flux d’alertes relatives aux événements transitoires

Designing novel Machine Learning techniques to address the volume and complexity of the Rubin LSST data:separation of blended galaxies and transients classification in alert streams

• Auteur / Autrice : Biswajit Biswas
• Direction : Eric Aubourg
• Type : Projet de thèse
• Discipline(s) : Physique de l'Univers
• Date : Inscription en doctorat le ; Soutenance le 26/09/2024
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : École doctorale Sciences de la terre et de l'environnement et physique de l'univers
• Partenaire(s) de recherche : Laboratoire : AstroParticule et Cosmologie (Paris ; 2005-....)
• Partenaire(s) de recherche : établissement opérateur d'inscription : Ecole normale supérieure
• Jury : Président / Présidente : Delphine Hardin
• Jury : Examinateurs / Examinatrices : Eric Aubourg, Junpeng Lao, Jean-Christophe Hamilton, Federica Bianco, Hironao Miyatake, Alexandre Allauzen, Marc Huertas-portocarrero company
• Jury : Rapporteurs / Rapporteuses : Federica Bianco, Marc Huertas-portocarrero company

Mots clés

Mots clés libres

Intelligence artificielle

Cosmologie

Classification des alertes

Traitement des données astronomiques

Modèles génératifs

Rubin LSST

Machine learning

Cosmology

Transient classification

Stronomical data processing

Generative models

Rubin LSST

Résumé

L'un des objectifs principaux des relevés de Stage IV, comme le Legacy Survey of Space and Time (LSST) de l'Observatoire Vera C. Rubin, est de comprendre la nature fondamentale de l'énergie noire. La profondeur et l’étendue sans précédent offerte par le LSST offriront des données d’une immense richesse pour la cosmologie, bien que leur volume et leur complexité génère de nouveaux défis. Parmi les sondes cosmologiques, l'utilisation du cosmic shear devrait devenir centrale avec ces relevés. Or, l'augmentation de la densité d’objets pouvant être détectés entraînera plus de superpositions de leurs images lors des observations - un effet appelé blending - et imposer des contraintes fortes sur les paramètres cosmologiques avec le cosmic shear suppose que nous contrôlions très précisément les systématiques parmi lesquelles le blending joue un rôle majeur. Dans le cadre de LSST Dark Energy Science Collaboration (DESC), j'ai développé un algorithme, MADNESS, basé sur des modèles génératifs profonds tels que les auto-encodeurs variationnels et les normalizing flows pour apporter une nouvelle méthode de deblending. Une utilisation conjointe de ces réseaux neuronaux nous permet d'obtenir la solution maximale a posteriori dans l'espace latent. MADNESS est ainsi capable de modéliser des morphologies complexes de galaxies et de traiter conjointement plusieurs bandes photométriques au niveau des pixels. Par ailleurs, l'algorithme écrit en TensorFlow, peut facilement être parallélisé sur GPU, améliorant considérablement le temps de calcul. En utilisant des simulations de galaxies respectant a minima des caractéristiques de densité pour 10 ans de relevé LSST, j'ai caractérisé la photométrie d'ouverture, la couleur g-r et les indicateurs de morphologie des galaxies individuelles reconstruites par MADNESS. Dans le cadre d’une comparaison directe avec les méthodes les plus couramment utilisées, MADNESS obtient de meilleures performances dans toutes les métriques. Par exemple, si on se place dans la bande r, la valeur absolue moyenne de l’écart relatif sur le flux des objets reconstruits en utilisant MADNESS est inférieure de 29% à celle du deblender scarlet. Un autre aspect de mon travail a visé à la détection des événements transitoires. Depuis la naissance de l'astronomie multi-messagers avec la détection de l'événement GW170817, la communauté s'efforce de détecter davantage de contreparties électromagnétiques connues sous le nom de kilonovae (KNe). Pour cela, de grandes régions doivent être couvertes en quelques jours pour rechercher ces contreparties dans les zones probables de localisation obtenues à partir des signaux d'ondes gravitationnelles. Le LSST pourra répondre à ce besoin. Le relevé diffusera immédiatement des alertes par l'intermédiaire d'un logiciel intermédiaire appelé alert brokers, chaque fois qu'une variation de luminosité sera détectée. Les brokers devront traiter en temps réel des millions d'alertes par nuit, pour permettre un suivi spectroscopique pertinent. J'ai développé un algorithme de classification rapide pour le module scientifique KNe du broker FINK avec lequel j’ai traité les données préparatoires à LSST issues du Zwicky Transient Facility (ZTF). En utilisant des techniques d’analyse en composantes principales, j'ai généré des quantités conçues pour saisir différents comportements de courbes de lumière afin de séparer les événements rapides (de type KN) des événements lents (non-KN). En simulant 30 jours de données ZTF, le classificateur a obtenu une précision de 69% et un rappel de 70% pour les KNe, avec la majorité de la contamination provenant d'autres transitoires rapides. Le modèle final est intégré dans le broker FINK et procure des alertes à la communauté. Ce module représente une étape crucialel dans une chaîne complexe d'éléments d'infrastructure pour l'astronomie multi-messagers, qui est actuellement mise en place par l'équipe du broker FINK en préparation de l'arrivée des données du LSST.

One of the main goals of the Stage IV surveys, such as the Legacy Survey of Space and Time (LSST) at the Vera C. Rubin Observatory, is to understand the fundamental nature of dark energy. The unprecedented depth and area of coverage of LSST will provide a massive wealth of cosmological data, albeit with new challenges due to the sheer volume and complexity of data. For instance, the increase in object density will lead to more overlap of objects — an effect called blending. In my work, I will present new machine learning based algorithms to solve some of these challenges. Among the cosmological probes, the use of cosmic shear, in particular, is expected to make a major step forward with Stage IV surveys. Cosmic shear refers to the systematic distortions in the shapes of objects due to the bending of the path of light by inhomogeneous matter distribution in the universe (so-called gravitational lensing). To impose strong cosmological constraints with cosmic shear, we need to control systematics, and blending is a major contributor. However, the most common methods used to solve the inverse problem of source separation, so-called deblending, fail to capture the diverse morphologies of galaxies. In the context of LSST Dark Energy Science Collaboration (DESC), I have developed an algorithm called MADNESS based on deep generative models like variational autoencoders and normalizing flows for deblending. Together, these neural networks enable us to obtain the maximum a posteriori solution in the latent space. Besides being able to model complex morphologies and jointly process multiple photometric bands at the pixel level, the algorithm, written using TensorFlow, can easily be parallelized on GPUs, to boost computation time. Using simulated galaxy models for a 10-year LSST survey and a galaxy density ranging from 48 to 80 galaxies per arcmin^2, I have characterized the aperture-photometry, g-r color, and morphology indicators of the galaxies reconstructed by MADNESS. With the r-band of LSST as an example, I show that MADNESS performs better than commonly used deblenders in all the metrics. For instance, the mean absolute value of relative flux residual for MADNESS is 29% lower than that of state-of-the-art deblender scarlet. Another aspect of this work applies to time-domain astronomy and aims to take advantage of the increase in statistics from the area of coverage of LSST. Since the dawn of multi-messenger astronomy, with the detection of gravitational wave (GW) event GW170817, the community has been in pursuit of detecting more of their electromagnetic (EM) counterparts known as kilonovae (KNe). For this purpose, large regions need to be scanned in a few days to look for EM counterparts within the localization obtained from GW signals. The survey strategy of the upcoming LSST will answer this need. To exploit this capability, the survey will immediately distribute alerts through intermediary software called alert brokers, whenever a fluctuation in brightness is detected. Brokers will have to process in real-time millions of alerts per night, for timely spectroscopic follow-up. In this work, I have developed a fast transient classification algorithm for the KNe science module of the Fink broker to process precursor data from the Zwicky Transient Facility. Using principal component analysis I have generated features designed to grasp different light curve behaviors to separate fast (KN-like) from slow (non-KN-like) evolving events. Mimicking ZTF alert-like 30 days of simulated data, the classifier obtained 69% precision and 70% recall for KN, with most of the contamination coming from other fast transients. The trained model is integrated into the Fink broker and has been distributing fast transients to the community. This module represents one crucial link in an intricate chain of infrastructure for multi-messenger astronomy being put in place by the Fink broker team in preparation for the arrival of LSST data.