Partenaires

CNRS IN2P3
Sorbonne Universite
Universite de Paris
Initiative Physique des Infinis
UPMC


Rechercher

Sur ce site


Accueil > Thèses, Stages, Formation et Enseignement > Propositions de thèses 2022 > Réseaux de neurones et apprentissage profond pour la détection et la reconstruction des rayons cosmiques dans le domaine radio

Réseaux de neurones et apprentissage profond pour la détection et la reconstruction des rayons cosmiques dans le domaine radio

Titre : Réseaux de neurones et apprentissage profond pour la détection et la reconstruction des rayons cosmiques dans le domaine radio

Directeur de thèse : Olivier Martineau

Co-encadrant : Aurélien Benoît-Lévy (CEA-List)

Equipe : Rayonnement Cosmique et Matière Noire ; groupe GRAND

Description :

Quelles sont les sources des rayons cosmiques d’ultra-haute énergie, ces particules qui pleuvent du cosmos avec des énergies colossales, et dont l’origine reste mystérieuse ? Le projet GRAND (Giant Radio Array for Neutrino Detection, grand.cnrs.fr) vise à répondre à cette question, à l’aide d’un réseau de 200 000 antennes radio qui seront à terme déployées à travers le monde. Si la construction de cet instrument est prévue pour les années 2030, le déploiement d’un premier prototype de 300 antennes radio, GRANDProto300 est déjà en cours dans le désert du Gansu en Chine. Celui-ci sera un banc de test idéal pour développer de nouvelles techniques d’analyse, basées sur l’utilisation de méthodes d’apprentissage automatique, et pour investiguer l’origine des rayons cosmiques dans une gamme d’énergie peu étudiée. Les particules cosmiques induisent dans l’atmosphère des cascades de particules secondaires qui vont générer une émission électromagnétique brève (< 100 ns) que les antennes de GRAND détecteront dans la gamme 50-200 MHz. Toutefois, bien que les détecteurs soient installés dans une zone à bas bruit de fond électromagnétique, des bruits de fond radio inévitables (lignes haute-tension, communications avion-sol…) existent et peuvent gêner la détection, l’identification et la reconstruction des propriétés des particules cosmiques.
L’objet de cette thèse est de développer des algorithmes d’apprentissage automatique à même de traiter les signaux radio mesurés par les antennes de GRAND. Deux principales problématiques ont été identifiées, pour lesquelles les contraintes opérationnelles vont nécessiter de développer de nouvelles approches en machine learning.

1) Classification en temps réel des signaux d’intérêt.

Le volume de données attendu pour GRAND impose une sélection au niveau de l’antenne des traces radio susceptibles de contenir un signal d’origine astrophysique. En effet, les cascades de particules ne sont pas les seules sources d’émission radio. Certains signaux anthropiques (décharges électriques dans des lignes à haute tension, communications avion-sol) peuvent générer des signaux d’allure similaire aux signaux recherchés. La première problématique sera ainsi de développer des méthodes basées sur de l’apprentissage automatique pour discriminer les signaux (Erdmann, Schlueter, et Smida 2019). L’enjeu est de pouvoir, d’une part, séparer les signaux astrophysiques des signaux parasites, mais surtout d’être en mesure de le faire de façon continue, embarquée, et dans un environnement de bruit électromagnétique variable.

Dans un premier temps, le travail consistera à développer un modèle de classification avec de bonnes performances dans des conditions simples (rapport signal sur bruit élevé, bruit de fond constant). Par la suite, en fonction des avancées, la thèse pourra évoluer vers les deux développements suivants :

  • Prise en compte des antennes adjacentes. En effet, une particule cosmique peut être détectée par plusieurs antennes, et la prise en compte simultanée de plusieurs traces radio devrait permettre d’améliorer l’efficacité de détection.
  • Étude de la variabilité du bruit de fond et les signaux parasites. L’environnement électromagnétique des antennes est variable dans le temps. Il sera ainsi nécessaire d’améliorer le modèle initial afin de le rendre robuste à la fois aux variations de bruit de fond, mais également aux signaux transitoires parasites qui peuvent être confondus avec des signaux d’origine astrophysique.

2) Reconstruction

Le deuxième volet de cette thèse, qui pourra d’ailleurs être mené en parallèle du premier, concerne la reconstruction des propriétés (type, énergie, direction…) des particules générant les gerbes électromagnétiques. Pour estimer ces quantités, il est nécessaire d’exploiter les données de plusieurs antennes qui détectent en coïncidence l’émission radio des particules. Il s’agit ainsi de résoudre un problème inverse par des techniques d’apprentissage machine. On pourra utiliser des approches à bases de réseaux de neurones sur graphes qui se prêtent bien à ce genre d’analyses (Choma et al. 2018). L’originalité de ce travail, qui constitue aussi une difficulté, est que les données mesurées sur chaque nœud du graphe sont des séries temporelles.

Pour les deux aspects de cette thèse, le doctorant ou la doctorante pourra s’appuyer sur l’expertise en simulation du l’équipe GRAND du Laboratoire de Physique Nucléaire et des Hautes Énergies (CNRS IN2P3) pour générer des jeux de données synthétiques, mais également sur les données de TREND (Ardouin et al. 2011), une expérience passée, précurseuse de GRAND, et les données de GRANDProto300. L’étudiant(e) sera également associé(e) à la collaboration GRAND et des contacts fréquents avec les équipes de GRAND au LPNHE et à l’Institut d’Astrophysique de Paris auront lieu. L’expertise combinée des deux encadrants (A. Benoit-Lévy au CEA et O. Martineau au LPNHE) permettra un suivi constant de l’étudiant(e) et garantira la réussite de cette thèse.

Stage :
Un stage avant le début du doctorat est prévu au CEA.

Lieu de travail : LPNHE et CEA-List, a priori 20-80%
Collaboration étroite avec l’Institut d’Astrophysique de Paris également (équipe GRAND de Kumiko Kotera)

Déplacements éventuels :

  • Prises de données et tests sur le site de l’expérience GRANDProto300 en Chine
  • Prises de données et tests sur le site de le banc de test GRANDProto à l’Observatoire de Nançay

Documentation :

Contacts :

Facebook
Enregistrer au format PDF