Interprétation des anomalies astronomiques relevées par le broker fink dans les données de rubin/lsst // interpreting astronomical anomalies found by the fink broker in lsst/rubin data

Topic description

Pendant longtemps, la dynamique de l'Univers profond n'a été étudiée qu'à travers des données statiques : c'est grâce à l'analyse d'images fixes et de spectres que la représentation d'un Univers dynamique a émergé. Seul un nombre limité d'objets étaient connus pour présenter une nature intrinsèquement variable. Cependant, avec l'avènement des télescopes et des installations astronomiques de dernière génération, de nouvelles stratégies d'observation sont devenues possibles, ouvrant la voie à des études systématiques de tout ce qui change dans l'Univers.

Grâce au volume de données sans précédent fourni par Rubin/LSST – dont les premières alertes ont été rendues publiques cette année – la découverte de phénomènes astrophysiques d'un type inédit est quasi certaine. Cependant, le défi consiste désormais à les distinguer des milliards d'artefacts ou d'objets appartenant à des classes déjà connues. Autrement dit, nous devons non seulement trouver des aiguilles dans une botte de foin, mais nous ignorons également à quoi ressemble une aiguille. Heureusement, c'est un domaine où l'apprentissage automatique excelle.

Fink a été conçu pour acquérir, enrichir et filtrer les alertes émises par Rubin/LSST, et les redistribuer à la communauté astronomique. L'un des modules scientifiques clés de ce projet sera le détecteur d'anomalies. Basé sur l'algorithme de forêt d'isolation, son objectif est de présenter à l'utilisateur final une sélection d'objets potentiels pertinents pour une analyse plus approfondie. Cette méthode a fait ses preuves sur des jeux de données précurseurs. Cependant, deux défis majeurs demeurent : comment interpréter les décisions prises par la machine afin de faciliter l'analyse humaine ? Comment trouver plus efficacement les objets d'intérêt en intégrant les connaissances préalables, une approche appelée apprentissage actif ?

L'objectif de la thèse sera donc de rechercher de nouvelles classes de phénomènes astrophysiques dans les alertes temps réel Rubin/LSST à l'aide de Fink. Elle impliquera le développement de méthodes innovantes en intelligence artificielle, notamment en travaillant sur l'interprétabilité des algorithmes de recherche d'anomalies et en développant de nouvelles méthodes d'apprentissage
actif. Les objets découverts seront signalés à la communauté astronomique et les travaux seront menés au sein de l'équipe Fink du LPCA, en lien avec la collaboration internationale Fink, qui regroupe une centaine de chercheurs en provenance d'une vingtaine de pays.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

For long, the dynamics of the deep Universe has been only studied through static data : this was
though the analysis of still images and spectra that the representation of a dynamic Universe
emerged. Only a limited quantity of objects were known to present an intrinsic variable nature.
However, with the advent of upcoming astronomical telescopes and facilities, new observation
strategies become available, opening for systematic studies of everything that changes in the
Universe.

With the unprecedented data volume provided by Rubin/LSST – with the first alerts being released publicly this year – discoveries of brand new type of astrophysical phenomena are almost
certain. However, the challenge is now to distinguish them from billions of artifacts or objects
belonging to already known classes. In other words, we have to find not only needles in a hay
stack, but we also have no clue of what a needle looks like. Fortunately, this is a domain where
machine learning shines.

The Fink broker was designed to acquire, enrich and filter the alerts emitted by Rubin/LSST and
redistribute them to the astronomical community. One of the key science modules used for this
project will be the anomaly detector. Based on the Isolation Forest algorithm, its goal is to present
to the end user a selected collection of potential objects relevant for further scrutiny. This method
has been proven successful on precursor datasets. Yet two important challenges remain: how to
interpret the decisions made by the machine in order to help the analysis by humans, and how to
be more efficient in finding objects of interest by incorporating previous knowledge – an approach
known as active learning.

The goal of the PhD will thus be to search for brand new class of astrophysical phenomena within
the Rubin/LSST real time alerts using the Fink broker. It will involve the development of innovative
methods in artificial intelligence, namely, working on the interpretability of anomaly finding
algorithms and developing new methods for active learning. The objects discovered will be
reported to the astronomical community and the work will be conducted within the Fink team of
LPCA, and in connection with the Fink international collaboration counting hundreds of researchers from more than twenty countries.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/

Funding category

Public funding alone (i.e. government, region, European, international organization research grant)

Funding further details

Concours pour un contrat doctoral