204 - À l’aube d’une nouvelle ère des mégadonnées pour la cosmologie et l’astrophysique : les grands défis de l’exploration de l’Univers pour la prochaine décennie

Les découvertes en astronomie et en astrophysique sont rendues possibles en partie grâce à des instruments toujours plus puissants et sophistiqués. La prochaine génération de très grands télescopes (ELT, TMT et GMT) apporte déjà son lot de défis pour les ingénieur×e×s et scientifiques qui conçoivent et réaliseront ces instruments qui permettront aux astronomes de repousser les limites de la connaissance. Des technologies émergentes et des domaines en pleine croissance représentent des avenues intéressantes pour voir toujours plus loin. Cette présentation abordera les défis et opportunités que présentent des domaines comme l’intelligence artificielle et les nouveaux matériaux pour construire les instruments astronomiques de demain.

Après plus de deux décennies de développement, le télescope spatial James Webb fut finalement lancé le jour de Noël 2021 dans une trajectoire presque parfaite vers sa destination finale au deuxième point de Lagrange, 1.5 million de km de la Terre. Son déploiement complexe fut sans faille de même que la période de six mois de mise en service qui a suivi pour caractériser les performances du télescope et de ses quatre instruments dont l’un de fabrication canadienne. Webb fonctionne tel qu’attendu voire même mieux. Ses premières images et données spectroscopiques de démonstration sont spectaculaires et ont fait le tour de planète l’été dernier. Je ferai un bref survol de la mission Webb en présentant quelques résultats sur les galaxies lointaines et la caractérisation atmosphérique d’exoplanètes.

Ne laissez pas le nom vous tromper : les trous noirs ne sont pas que de l’espace vide. Ce sont les objets les plus étranges et les plus fascinants de l’Univers, si étranges qu’Einstein lui-même ne crut pas en leur existence. Pourtant, il est maintenant établi, hors de tout doute, que les trous noirs existent et qu’ils jouent un rôle fondamental dans l’Univers. Remplis d’une quantité d’énergie exceptionnelle, ils peuvent facilement et rapidement détruire des galaxies entières. Cette conférence se concentrera sur les trous noirs les plus massifs de l’Univers, les titans parmi les géants, et présentera les découvertes les plus récentes sur ces objets. Elle montrera le rôle révolutionnaire que l’apprentissage automatique est en train de jouer en astrophysique des trous noirs, contribuant ainsi irrévocablement à l’expansion de l’univers du possible.

Les réseaux neuronaux se sont avérés très efficaces dans diverses applications, telles que la reconnaissance d'images et la traduction. Cependant, ils ont encore du mal à modéliser des systèmes physiques complexes. Les développements récents de l'apprentissage automatique, et plus particulièrement de l'apprentissage profond, se sont inspirés de concepts de la physique pour améliorer les performances des modèles. Par exemple, certains de ces modèles se sont inspirés des lois de conservation de la physique en construisant des modèles équivariants par rapport à des transformations de symétrie spécifiques. Dans cet exposé, je discuterai de la manière dont les symétries peuvent être utilisées comme biais inductif dans l'apprentissage profond. Plus précisément, je parlerai des symétries des équations différentielles et de la façon dont elles peuvent être exploitées dans les solveurs neuronaux d' équations différentielles partielles.

Cette présentation aborde deux aspects de l'interpretabilité en apprentissage automatique (ML) appliquée à l'astronomie. Le premier concerne la modélisation automatique de courbes de lumière stellaires variables (en particulier les RR Lyrae) en termes d'équations différentielles et de méthodes connexes (par exemple, la théorie de Koopman et la décomposition en modes dynamiques - DMD). Cette approche produit des descriptions interprétables de la dynamique stellaire dans un langage bien connu des astronomes, leur permettant de poursuivre des études plus avancées (par exemple, en utilisant des méthodes de systèmes complexes pour étudier les oscillateurs non linéaires ou en utilisant l'analyse topologique des attracteurs). Le deuxième aspect concerne la détection des trous noirs intermédiaires (IMBH) à partir des propriétés des amas stellaires. Nous utilisons des arbres de décision optimaux et interprétables - construits à l'aide de l'algorithme CORELS - pour comprendre pourquoi un classificateur affirme qu'il y a un IMBH dans un amas donné. En outre, le deuxième aspect illustre une difficulté courante en astronomie : la généralisation à des données réelles à partir d'un ensemble de données simulées, qui peut entraîner des problèmes de distribution.