Utilisation de l'apprentissage automatique pour le controle de l'optique adaptative

Applying machine learning methods to adaptive optics control

• Auteur / Autrice : Bartomeu Pou mulet
• Direction : Damien Gratadour, Mario Martin
• Type : Projet de thèse
• Discipline(s) : Astronomie et Astrophysique
• Date : Inscription en doctorat le 30/09/2022
• Etablissement(s) : Université Paris sciences et lettres en cotutelle avec Universitat Politècnica de Catalunya
• Ecole(s) doctorale(s) : École doctorale Astronomie et astrophysique d'Île-de-France (Meudon, Hauts-de-Seine ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'études spatiales et d'instrumentation en astrophysique (Meudon, Hauts-de-Seine ; 2002-....)
• Partenaire(s) de recherche : établissement opérateur d'inscription : Observatoire de Paris (1667-....)

Mots clés

Mots clés libres

Apprentissage automatique

Optique adaptative

Apprentissage par renforcement

Machine learning

Adaptive optics

Reinforcement learning

Résumé

L'objectif de cette thèse est d'appliquer des méthodes innovantes d'apprentissage automatique (ML) au contrôle de l'optique adaptative (AO). Nous utilisons une combinaison de techniques d'apprentissage par renforcement (RL) et d'apprentissage supervisé (SL) pour résoudre différents problèmes dans le pipeline AO. SL, apprenant une fonction basée sur un ensemble de données étiqueté, fournit les moyens de créer une reconstruction non linéaire à partir des données du capteur de front d'onde (WFS), ce qui est particulièrement bénéfique pour les WFS hautement non linéaires, tels que la pyramide-WFS. De plus, SL peut être utilisé comme outil de débruitage pour le Shack-Hartmann WFS. RL, apprentissage par essais et erreurs via une fonction de récompense, est utilisé pour apprendre un contrôleur prédictif uniquement à partir de données. Nous testerons les méthodes proposées dans le simulateur AO COMPASS, dans un banc réel et sur le ciel avec le projet SCExAO. Enfin, nous développons un cadre pour appliquer les techniques de ML en AO dans un cadre plus général

The aim of this thesis is to apply innovative machine learning (ML) methods to adaptive optics (AO) control. We use a combination of reinforcement learning (RL) and supervised learning (SL) techniques to tackle different problems in the AO pipeline. SL, learning a function based on a labelled dataset, provides the means to create non-linear reconstruction from wavefront sensor (WFS) data, which is especially beneficial for highly non-linear WFS, such as the pyramid-WFS. In addition, SL can be used as a denoising tool for the Shack-Hartmann WFS. RL, learning via trial and error via a reward function, is used to learn a predictive controller purely from data. We will test the proposed methods in the AO simulator COMPASS, in a real bench and on-sky with the SCExAO project. Finally, we develop a framework to apply the techniques of ML in AO in a more general setting