Utilisation de réseaux de neurones pour analyser et reconstruire des images d'événements de microlentille gravitationnelle.Les événements de microlentille gravitationnelle produisent des images souvent bruitées, mélangées à la lumière de fond et déformées par la fonction d'étalement du point du télescope. Les réseaux de neurones sont devenus des outils puissants pour reconstruire le signal réel à partir de ces observations désordonnées. Ils peuvent séparer l'événement de lentille des sources contaminantes, estimer les paramètres de la lentille et même identifier des anomalies que les algorithmes classiques pourraient manquer.
L'application des réseaux de neurones à l'analyse des microlentilles a gagné du terrain à la fin des années 2010, avec des études démontrant leur capacité à classer les événements et à récupérer les paramètres plus rapidement que l'ajustement par chi-carré traditionnel.
Un réseau de neurones est entraîné sur de grands ensembles de courbes de lumière et d'images de microlentilles simulées, apprenant à mapper les données brutes de pixels ou les séries temporelles photométriques aux paramètres physiques sous-jacents. Une fois entraîné, le réseau peut traiter de nouvelles observations en quelques secondes, déconvoluer l'image, supprimer le bruit et prédire la masse, la distance et le mouvement relatif de l'objet lentille. Certaines architectures utilisent également l'apprentissage non supervisé pour détecter des événements inhabituels sans avoir besoin d'exemples étiquetés.
L'analyse en temps réel des alertes de microlentilles, comme celles du relevé prévu du télescope spatial romain, reposera sur des réseaux de neurones pour identifier et caractériser rapidement les événements en vue d'observations de suivi.
Les réseaux de neurones peuvent reconstruire l'image d'une source lentillée même lorsque l'événement est si faible que le signal est enfoui dans le bruit, en dessous du seuil de détection des algorithmes conventionnels.
| x | variable | data sample — sample |
| z | variable | latent variable sample — latent variable |
| D(x) | variable | discriminator output for real data — discriminator output |
| G(z) | variable | generator output for latent variable — generator output |
| V(D,G) | variable | value function of the game — value function |
| min_G | opérateur | minimize with respect to generator parameters — minimization over generator |
| max_D | opérateur | maximize with respect to discriminator parameters — maximization over discriminator |
| E_{x~p_data} | opérateur | expectation over the empirical data distribution — expectation over data distribution |
| E_{z~p_z} | opérateur | expectation over the latent prior distribution — expectation over latent distribution |
| log | opérateur | natural logarithm — logarithme |
