Apprentissage Profond pour la Détection d'Exoplanètes en Imagerie à Haut Contraste

Deep Learning for Exoplanet Detection in High Contrast Imaging

• Auteur / Autrice : Théo Bodrito
• Direction : Jean Ponce, Julien Mairal
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le ; Soutenance le 20/06/2025
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : École doctorale Sciences mathématiques de Paris centre (Paris ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : DIENS - Département d'informatique de l'École normale supérieure
• Partenaire(s) de recherche : Equipe de recherche : WILLOW
• Partenaire(s) de recherche : établissement opérateur d'inscription : École normale supérieure (Paris ; 1985-....)
• Jury : Président / Présidente : Florence Tupin
• Jury : Examinateurs / Examinatrices : Jean Ponce, Laurent Jacques, Rob Fergus, Laurent Pueyo, Julien Mairal, Olivier Flasseur, Maud Langlois
• Jury : Rapporteurs / Rapporteuses : Laurent Jacques, Rob Fergus

Mots clés

Mots clés libres

Apprentissage profond

Exoplanètes

Traitement image

Optimisation

Deep learning

Exoplanet

Image processing

Optimization

Résumé

La recherche d'exoplanètes est un domaine actif en astronomie, avec plus de 5 800 détections confirmées à ce jour. L'imagerie directe est l'une des méthodes les plus difficiles, puisqu'elle vise à capturer les photons émis ou réfléchis par une exoplanète. La difficulté principale réside dans l'extrême résolution angulaire requise, associée au fort contraste entre la luminosité de l'étoile hôte et celle de la planète. Une instrumentation sophistiquée ainsi que des algorithmes de post-traitement dédiés sont nécessaires pour démélanger le signal de l'exoplanète du rayonnement résiduel de l'étoile. Dans cette thèse, nous étudions comment les techniques d'apprentissage profond peuvent être employées pour améliorer la détection et la caractérisation des exoplanètes, en présence de nuisances fortes, corrélées et multivariées qui altèrent les observations. Dans notre premier travail, nous utilisons le modèle statistique de l'algorithme PACO comme étape de prétraitement pour un réseau de neurones profond. Des réseaux dédiés opérant à plus large échelle spatiale sont ensuite entraînés de manière supervisée pour détecter de faibles sources synthétiques et estimer avec précision leur photométrie. Des évaluations sur des jeux de données du VLT/SPHERE démontrent que l'algorithme deep PACO proposé surpasse les méthodes existantes en termes de sensibilité de détection et de contraste. Nous allons ensuite au-delà des méthodes dépendantes d'une seule observation en introduisant MODEL&CO, une approche qui construit le modèle de nuisance à partir d'une archive de multiples observations plutôt qu'en se basant uniquement sur l'observation cible. En reformulant le problème de détection comme une tâche de reconstruction et en combinant deux représentations complémentaires des données avec des features spatiales apprenables, MODEL&CO surmonte efficacement les contraintes imposées par la diversité angulaire limitée. Cette approche offre un compromis précision-rappel nettement supérieur à celui de PACO, notamment dans les cas difficiles avec une rotation parallactique limitée. La contribution finale de cette thèse est ExoMILD, un nouveau modèle statistique des speckles qui capture les fluctuations de nuisance grâce à une approche multi-échelle, exploitant les symétries inhérentes du problème et une représentation conjointe des canaux spectraux fondée sur des principes physiques. Intégré dans un cadre interprétable et entièrement apprenable, ce modèle permet simultanément la détection des exoplanètes et l'estimation de leur flux. Son efficacité calculatoire et sa robustesse face à la qualité hétérogène des données le rendent efficace sur des jeux de données difficiles à exploiter avec les méthodes conventionnelles. Collectivement, ces travaux augmentent significativement la sensibilité et la fiabilité des algorithmes de post-traitement pour l'imagerie directe, ouvrant la voie à des études à grande échelle plus efficaces dans la recherche de compagnons sous-stellaires.

The search for exoplanets is an active field in astronomy, with more than 5 800 confirmed detections to this day. Direct imaging is one of the most challenging methods, as it aims to capture photons emitted or reflected by an exoplanet. The main difficulty lies in the extreme angular resolution required coupled with the high contrast between the luminosity of the host star and the planet. Sophisticated instrumentation as well as dedicated post-processing algorithms are required to unmix the exoplanet signal from the residual starlight. In this thesis, we investigate how deep learning techniques can be employed to improve the detection and characterization of exoplanets amid the strong, correlated and multivariate nuisance corrupting the observations. In our first work, we repurpose the statistical model of the PACO algorithm as a pre-processing stage for a deep neural network. Dedicated networks operating on a larger spatial scale are then trained in a supervised fashion to detect faint synthetic sources and to estimate their photometry accurately. Evaluations on VLT/SPHERE datasets demonstrate that the proposed deep PACO algorithm outperforms existing methods in terms of detection sensitivity and contrast. We then go beyond observation-dependent methods and introduce MODEL&CO, an approach that constructs the nuisance model from an archive of multiple observations rather than relying only on the target observation. By recasting detection as a reconstruction task, and combining two complementary data representations with learnable spatial features, MODEL&CO effectively overcomes the constraints imposed by limited angular diversity. This approach results in a significantly superior precision-recall trade-off compared to PACO, especially in challenging cases with limited parallactic rotation. The final contribution of this thesis is ExoMILD, a novel statistical model of star speckles that captures nuisance fluctuations through a multi-scale approach, exploiting inherent problem symmetries and a joint spectral channel representation grounded in physical principles. Integrated into an interpretable end-to-end learnable framework, this model simultaneously enables exoplanet detection and flux estimation. Its computational efficiency and robustness to heterogeneous data quality render it effective on challenging datasets that are typically unusable with conventional methods. Collectively, these works increase significantly the sensitivity and reliability of post-processing algorithms for direct imaging, paving the way for more effective large-scale surveys in the search for sub-stellar companions.