Réponse pixel non corrélée et non biaisée des détecteurs infrarouges pour les missions Euclid et SVOM

Uncorrelated and unbiased pixel response of infrared detectors for Euclid and SVOM missions

• Auteur / Autrice : Naomie De Araujo
• Direction : Eric Kajfasz, Aurélia Secroun
• Type : Projet de thèse
• Discipline(s) : PHYSIQUE & SCIENCES DE LA MATIERE - Spécialité : INSTRUMENTATION
• Date : Inscription en doctorat le 01/11/2024
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : Ecole Doctorale Physique et Sciences de la Matière
• Partenaire(s) de recherche : Laboratoire : CPPM - Centre de Physique des Particules de Marseille

Mots clés

Mots clés libres

Détecteurs

Infrarouge

Mission spatiale

Detectors

Infrared

Space mission

Résumé

L'objectif scientifique de cette thèse est de décorréler la persistance des signaux des détecteurs infrarouges à jonction PN pour les missions Euclid et SVOM. La persistance provient des défauts cristallins et des impuretés présents dans la couche sensible des détecteurs. Il en résulte que les charges qui constituent le signal se piègent dans ces défauts, et se dépiègent après un certain temps. Dans un premier temps, mon travail consiste à caractériser ce phénomène en mettant en évidence les différentes dépendances de la persistance (spatiales et environnementales). Ensuite, je pourrai le modéliser par une fonction, à l'aide du machine learning pour enfin déconvoluer le signal de la persistance.

The scientific objective of this PhD is to decorrelate the persistence of signals from PN junction infrared detectors for the Euclid and SVOM missions. Persistence comes from crystal defects and impurities present in the sensitive layer of the detectors. The result is that the charges which constitute the signal become trapped in these defects, and become untrapped after a certain time. Firstly, my work consists of characterizing this phenomenon by highlighting the different dependencies of persistence (spatial and environmental). Then, I will be able to model it by a function, using machine learning to finally deconvolve the persistence signal.