Approches d'apprentissage automatique pour l'analyse d'images dans l'instrument Euclid/NISP

Machine Learning Approaches for Image Analysis in the Euclid/NISP Instrument

• Auteur / Autrice : Soorya Narayan Soorya Narayan
• Direction : Eric Kajfasz, Stéphane Ayache
• Type : Projet de thèse
• Discipline(s) : PHYSIQUE & SCIENCES DE LA MATIERE - Spécialité : ASTROPHYSIQUE ET COSMOLOGIE
• 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

Apprentissage automatique

Analyse d'images

Euclide/NISP

Spectroscopie

Infrarouge

Cosmologie

Machine-Learning

Image Analysis

Euclid/NISP

Spectroscopy

Infrared

Cosmology

Résumé

La mission Euclid vise à cartographier la distribution de la matière noire dans l'Univers et à comprendre les origines de l'accélération de l'expansion de l'Univers. Pour atteindre cet objectif ambitieux, le satellite Euclid embarque deux instruments, dont un spectromètre et photomètre opérant le proche infrarouge (NISP - Near Infrared Spectrometer and Photometer). Dans son mode spectroscopique, cet instrument capture les spectres de millions de sources, permettant ainsi de déduire leurs propriétés et distances grâce aux technique de spectroscopie sans fente. Cependant, cet outil fournis des spectrogramme sujet à une contaminations affectant la précision de leur identification et extraction. Ce projet de thèse vise à explorer des méthodes avancées pour l'analyse et la modélisation des images de spectroscopie sans fente, en se concentrant sur l'application de modèles d'apprentissage automatique pour améliorer l'identification, l'extraction et la décontamination des spectres.

The Euclid mission aims to map the distribution of dark matter in the Universe and to understand the origins of the accelerated expansion of the Universe. To achieve this ambitious goal, the Euclid satellite is equipped with two instruments, including the Near Infrared Spectrometer and Photometer, NISP, instrument. In its spectroscopic mode, this instrument captures the spectra of millions of sources, allowing their properties and distances to be deduced using slit-less spectroscopy. However, slit-less spectroscopy produces 2D images of spectrograms that are subject to contamination which affect the accuracy of identification and extraction of spectrograms. This PhD project aims to explore advanced methods for analyzing and modeling slit-less spectroscopy images, focusing on the application of machine learning models to improve the identification, extraction, and decontamination of spectra.