Simon Delisle

Étudiant PhD, Université de Montréal

La recherche et la caractérisation des exoplanètes sont des champs de l’astrophysique en constante expansion et avec l’aide de nouveaux instruments, comme le télescope spatial James Webb, devenant fonctionnels dans les prochaines années, développer de nouvelles et de plus rapides méthodes, comme celle proposée ci-dessous, pour analyser et caractériser l’énorme quantité d’exoplanètes sera crucial à l’avancement de ce champ de recherche.

La caractérisation des atmosphères des exoplanètes est un réel défi, car le nombre de paramètres à considérer pour produire un modèle efficace d’une atmosphère planétaire est gigantesque.  Dans les dernières années, il est devenu évident que des outils d’apprentissage profond sont efficaces pour modéliser des systèmes complexes, mais ces outils n’ont pas encore été introduits dans la boîte à outils usuels de l’astronome.  Mon projet de recherche est de développer une nouvelle approche à la caractérisation des atmosphères à l’aide d’architectures tirées de l’apprentissage profond, telles que les réseaux de neurones, pour produire des modèles exacts en un temps moindre que les simulations traditionnelles.

La caractérisation atmosphérique des exoplanètes est un champ de recherche très actif et donc plusieurs modèles différents existent et font un travail acceptable à trouver les caractéristiques importantes d’une planète, comme son profil de température ou encore les types de molécules présentes dans son atmosphère.  Toutefois, ces modèles sont très souvent coûteux en calcul et donc en produire beaucoup avec différents paramètres pour ensuite  comparer avec les observations peut prendre des jours et même des semaines.  Les réseaux de neurones, quant à eux, prennent longtemps à s’entraîner, mais une fois qu’ils le sont, ils produisent habituellement des résultats rapidement.  Les réseaux de neurones, ou d’autres outils de l’apprentissage profond, pourraient être entraînés sur des modèles exacts, mais coûteux en calcul, dans l’espoir de répliquer les résultats de ces caractérisations en moins de temps que nécessaire pour une caractérisation classique.

De plus, avec les données de JWST disponibles dans les prochaines années, les modèles atmosphériques en 3D, qui sont actuellement utilisés majoritairement pour l’interprétation à cause du fait qu’ils sont trop complexes pour les inclure dans le cadre d’un algorithme usuel, pourraient devenir essentiels pour mieux explorer les exoplanètes.  L’apprentissage profond pourrait nous permettre d’utiliser efficacement ces modèles lors des caractérisations.

Directeur de recherche

Björn Benneke

Simon Delisle
Étudiant PhD, Université de Montréal