Présentation
Le projet Alioth est une action de recherche exploratoire de l’ONERA. Elle vise à étudier l’apport des réseaux de neurones profonds et les comparer/combiner aux modèles physiques pour l’estimation et le contrôle de surface d’onde pour un système d’imagerie à haut contraste. L’objectif global du projet dans lequel s’inscrit cette ARE est de créer une intelligence artificielle qui permettra un gain très significatif de détectivité d’exoplanètes.
Il a été lancé en janvier 2023, avec notamment la participation (par ordre alphabétique) de Baptiste Abeloos, Yann Gutierrez (doctorant), Olivier Herscovici-Schiller et Laurent Mugnier, en lien avec Johan Mazoyer (CNRS, au LESIA de l’Observatoire de Paris).
Contexte
Les premières détections indirectes d’exoplanètes datent de la fin des années 1980, avec la première détection d’une planète autour d’une étoile de la séquence principale (comme le Soleil) en 1995. La détection et la caractérisation des exoplanètes est désormais un des grands axes de l’astronomie. La principale méthode qui permet une caractérisation fine des exoplanètes est l’imagerie, ou détection directe.
L’imagerie d’exoplanètes est limitée par l’immense contraste entre la planète et son étoile, de l’ordre de un photon réfléchi par la planète pour dix milliards de photons émis par l’étoile pour le couple Terre-Soleil dans le visible. Pour produire des images malgré ce contraste, les astronomes utilisent des coronographes. La performance d’un imageur coronographique dépend fortement de la maîtrise de la surface d’onde post-coronographique. Les meilleurs algorithmes de commande actuels sont fondés sur des modèles physiques. Ils se heurtent à la difficulté de modéliser à des précisions extrêmement élevées des instruments très complexes.
Les récentes améliorations dans les architectures de réseaux de neurones profonds, ainsi que les capacités de calcul de plus en plus grandes, offrent de nouvelles solutions pour résoudre ces problèmes difficilement modélisables.
Objectif
Nous souhaitons étudier l’apport des réseaux de neurones profonds et les comparer/combiner aux modèles physiques.
Actuellement, nous travaillons sur deux grands axes.
D’une part, nous travaillons sur l’apprentissage supervisé. Nous entraînons un réseau de neurones à reconnaître en simulation l’aberration de phase dans l’instrument à partir d’une paire d’images, l’une focalisée, et l’autre légèrement défocalisée (c’est une adaptation à l’apprentissage automatique de la technique de la diversité de phase).
D’autre part, dans le cadre d’une thèse en cours sur l’apprentissage par renforcement, nous entraînons un agent à minimiser le flux lumineux parasite dans la zone des images où l'on recherche des exoplanètes.
Contact
Olivier Herscovici-Schiller (DTIS)