From simulations to real data, on the relevance of deep learning models and domain adaptation: Application to astrophysics with CTAO and LST-1
Des simulations aux données réelles, sur la pertinence des modèles d'apprentissage profond et de l'adaptation de domaine : Application à l'astrophysique avec CTAO et LST-1
Résumé
Gamma-ray astronomy refers to the study of the highest-energy photons, which originates from the most violent cosmic phenomena and are promising messengers for validating current astrophysics theories. Since the emergence of this discipline, several generations of ground-based and space-based instruments have been developed. In this context, this thesis contributes to the Cherenkov Telescope Array Observatory (CTAO) project, a new state-of-the-art ground-based observatory aimed at studying and detecting gamma-ray sources in the Universe. A key challenge lies in the highly variable observation conditions, which affect detection capabilities. Additionally, the vast flow of data imposes time constraints on analysis. To address these challenges, deep learning approaches have recently been proposed in the literature, although their performance is often limited by discrepancies between the simulated training datasets and real telescope acquisitions. In this thesis, three methods were developed to overcome these challenges, achieving significant improvements over existing approaches: unsupervised domain adaptation, information fusion via conditional batch normalization modules, and Transformer models.
L'astronomie gamma correspond à l'étude des photons de la plus haute énergie. Ils sont produits par les phénomènes spatiaux les plus violents et sont des messagers prometteurs pour valider les théories astrophysiques actuelles. Depuis l'émergence de cette discipline, plusieurs générations d'instruments terrestres et spatiaux ont vu le jour,. Cette thèse s'inscrit dans le projet de Cherenkov Telescope Array Observatory (CTAO), le nouvel observatoire terrestre de pointe destiné à l’étude et à la détection des sources de rayons gamma dans l'Univers. La plus importante problématique réside dans la grande diversité des conditions d'observation, affectant la capacité de détection. De plus, le flux massif de données impose des contraintes de temps pour l'analyse. Pour répondre à ces défis, des approches d'apprentissage profond ont récemment été proposées dans la littérature, bien que leur performance est souvent limitée par les divergences entre les données simulées nécessaires à l'entraînement des modèles et les acquisitions des télescopes. Dans cette thèse, trois méthodes ont été développées pour surmonter ces obstacles, montrant un net gain par rapport aux approches actuelles : l'adaptation de domaine non supervisée, la fusion d'informations via des modules de normalisation par batch conditionnels, et l'utilisation de modèles Transformers.
Origine | Fichiers produits par l'(les) auteur(s) |
---|