Apprentissage automatique symbolique pour la physique et l'astrophysique
Langue Anglais
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :
  • Thèse consultable sur internet, en texte intégral.
  • Thèse avec 2 versions : seule la version intégrale est proposée ; sur authentification (communication intranet).
 
Auteur : Tenachi, Wassim
Date de soutenance : 16-09-2024

Directeur(s) de thèse : Ibata, Rodrigo

Président : Lançon, Ariane
Rapporteur(s) : Necib, Lina - Ting, Yuan-Sen
Membre(s) du jury : Ascoli, Stéphane d' - Green, Gregory

Établissement de soutenance : Strasbourg
Laboratoire : Observatoire astronomique (Strasbourg)
École doctorale : École doctorale Physique et chimie-physique (Strasbourg ; 1994-....)
 
Discipline : Astrophysique
Classification : Astronomie, cartographie, géodésie

Mots-clés libres : Apprentissage automatique symbolique, Apprentissage profond par renforcement, Régression symbolique, Matière noire, Courants stellaires, Voie Lactée
Mots-clés :
  • Astrophysique - Informatique
  • Matière noire (astronomie)
  • Apprentissage profond
Résumé : Nous explorons le potentiel novateur de l'apprentissage automatique symbolique dans les domaines de la physique et de l'astrophysique, afin de surmonter les limites d'interprétabilité des méthodes traditionnelles dans cette ère caractérisée par une profusion de données. Nous présentons PhySO, un paradigme d'Optimisation Symbolique Physique qui exploite l'apprentissage profond par renforcement pour générer des expressions symboliques analytiques directement à partir de données. Cette approche de régression symbolique (SR) atteint des performances de premier plan en intégrant l'analyse dimensionnelle et en facilitant l'exploitation de diverses réalisations d'une unique classe de phénomènes : une approche que nous nommons Class SR. Nous nous penchons sur les enjeux liés à la matière noire à l'échelle galactique et identifions plusieurs nouveaux courants stellaires grâce aux données du satellite Gaia, complétées par des observations de suivi effectuées avec les télescopes INT et VLT. Nous mettons en lumière l'existence d'un courant polaire émanant du halo externe traversant le voisinage solaire, que nous baptisons Typhon. Enfin, nous proposons une approche pionnière d'apprentissage non supervisé pour déterminer de manière agnostique la distribution de la matière noire dans la Voie Lactée, à partir d'un cliché des coordonnées stellaires en employant des transformations canoniques.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2024STRAE017
Type de ressource : Thèse